Este artículo propone un nuevo marco para mejorar la transferibilidad de los ataques generativos adversarios. Los ataques generativos adversarios existentes presentan el problema de que las perturbaciones adversarias no están bien alineadas con las regiones críticas del objeto debido a las capacidades de representación insuficientes de los modelos generativos. En este artículo, presentamos un marco de ataque basado en el método Mean Teacher, que tiene en cuenta la estructura semántica y genera perturbaciones utilizando información semántica extraída de las activaciones intermedias del generador. En particular, utilizamos la destilación de características, una técnica que mejora la consistencia entre las activaciones de la capa inicial del modelo del estudiante y las activaciones del modelo semánticamente rico del profesor, para inducir que las perturbaciones se centren en las regiones críticas del objeto. El método propuesto demuestra una transferibilidad superior a la de los métodos existentes en diversos modelos, dominios y tareas, y se evalúa mediante métricas de Tasa de Corrección Accidental (ACR) existentes y propuestas recientemente.
