MIG-COW 在深伪检测器上实现高白盒成功率但黑盒转移性受限

MIG-COW 是一种基于梯度分解的新型对抗攻击框架，旨在生成可迁移且视觉上难以察觉的对抗样本，用于测试深度伪造检测器的漏洞。该研究在 AADD-2025 挑战赛基准上取得了 99.96% 的白盒攻击成功率（ASR），同时保持了高感知相似度（SSIM），显著优于现有基线方法。

然而，尽管整体表现最佳，MIG-COW 针对官方黑盒目标的攻击成功率仅为 7.16%，凸显了跨模型迁移性的持续挑战。研究发现，将低性能但多样化的模型纳入集成时，反而会降低攻击效果，这表明在现实世界的对抗环境中，代理模型的选择至关重要，而非单纯追求多样性。

事实层面，该论文提出了动量积分梯度与共识正交分解相结合的方法，分别捕获异构 CNN 和 ViT 检测器中的共享及特定漏洞。推断层面，当前防御策略若仅依赖单一或同质化模型可能面临被针对性攻击的高风险，而盲目引入多样化模型未必能提升安全性。猜测层面，未来检测器的设计可能需要更精细的梯度分析机制来应对此类定向攻击，但这需要更多实证数据支持。