一种基于条件扩散模型的对抗样本净化方法

本发明公开了一种基于条件扩散模型的对抗样本净化方法，包括步骤：获取包含干净样本的干净样本数据集；用白盒攻击算法攻击分类模型，对每个干净样本生成一对抗样本；将干净样本和对抗样本一一配对，形成训练数据集；获取一预训练的Stable Diffusion模型；设计微调过程和微调损失函数；S6，预设迭代轮次和批次大小，用训练数据集微调Stable Diffusion模型中交叉注意力层的网络参数，得到微调后条件扩散模型，用于对抗样本的净化。本发明将对抗样本作为条件信息输入Unet神经网络引导模型学习，使模型能够学习对抗扰动的特征，并能提高计算效率、鲁棒性与稳定性。