본 논문은 생성적 적대적 공격(Generative adversarial attacks)의 전달성(transferability)을 향상시키는 새로운 프레임워크를 제안합니다. 기존 생성적 적대적 공격은 생성 모델의 표현 능력을 충분히 활용하지 못하여, 교란(perturbation)이 객체의 의미 있는 영역과 잘 정렬되지 않는 문제가 있었습니다. 본 연구에서는 Mean Teacher 기반의 의미 구조 인식 공격 프레임워크를 제시하여, 생성자의 중간 활성화(intermediate activations)에서 추출한 의미 정보를 활용하여 교란을 생성합니다. 특히, 학생 모델(student)의 초기 레이어 활성화와 의미가 풍부한 교사 모델(teacher)의 활성화 간의 일관성을 강화하는 특징 증류(feature distillation) 기법을 사용하여, 의미적으로 중요한 영역에 대한 적대적 교란을 생성합니다. 다양한 모델, 도메인, 과제에 대한 실험을 통해 기존 최첨단 방법보다 향상된 성능을 보임을 입증하고, 새로운 지표인 Accidental Correction Rate (ACR)을 제시하여 평가하였습니다.