Cet article propose un nouveau cadre pour améliorer la transférabilité des attaques antagonistes génératives. Les attaques antagonistes génératives existantes souffrent d'un manque de puissance de représentation des modèles génératifs, ce qui entraîne un désalignement des perturbations avec les régions significatives des objets. Dans cette étude, nous présentons un cadre d'attaque basé sur le générateur de moyennes, conscient de la structure sémantique, qui génère des perturbations en exploitant les informations sémantiques extraites des activations intermédiaires du générateur. Plus précisément, nous utilisons la distillation de caractéristiques, une technique qui améliore la cohérence entre les activations de la couche initiale du modèle étudiant et le modèle enseignant, riche en sémantique, pour générer des perturbations antagonistes ciblant les régions sémantiquement significatives. Des expériences sur différents modèles, domaines et tâches démontrent nos performances améliorées par rapport aux méthodes de pointe existantes. Nous présentons également une nouvelle mesure, le taux de correction accidentelle (ACR), pour évaluation.
