Este artículo propone un nuevo marco para mejorar la transferibilidad de los ataques generativos adversarios. Los ataques generativos adversarios existentes adolecen de una falta de poder de representación suficiente de los modelos generativos, lo que provoca una desalineación de las perturbaciones con las regiones significativas de los objetos. En este estudio, presentamos un marco de ataque basado en el método Mean Teacher, consciente de la estructura semántica, que genera perturbaciones aprovechando la información semántica extraída de las activaciones intermedias del generador. Específicamente, utilizamos la destilación de características, una técnica que mejora la consistencia entre las activaciones de la capa inicial del modelo del estudiante y el modelo semánticamente rico del profesor, para generar perturbaciones adversarias dirigidas a regiones semánticamente significativas. Experimentos en diversos modelos, dominios y tareas demuestran nuestro rendimiento mejorado en comparación con los métodos de vanguardia existentes. También presentamos una nueva métrica, la Tasa de Corrección Accidental (ACR), para su evaluación.
