/ Модель

Характеристики

Лицензия
MIT
Библиотека
XTransferBench
Опубликована
17 апр 2025

xtransfer_large_linf_eps12_non_targeted

Преобразование изображенийИзображение, текст → изображение3 профессии

Универсальное несцелевое состязательное возмущение для создания изображений, проверяющих переносимость атак и устойчивость моделей компьютерного зрения.

147скачиваний за 30 дней0лайковвеса обновлены18 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это предобученное универсальное несцелевое возмущение (UAP) из X-TransferBench, подготовленное авторами проекта для исследования атак на CLIP и переноса атак между моделями, данными, областями и задачами. В README указана работа для ICML 2025 «X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP».

Возмущение рассчитано на норму L∞ с ε=12/255 и имеет размер 3 × 224 × 224. Оно применяется к пакетам изображений RGB с пиксельными значениями от 0 до 1 и возвращает состязательные изображения; для загрузки указан XTransferBench. В качестве суррогатной модели использовано пространство поиска XTransfer Large (N=64), а суррогатным набором данных был ImageNet.

Модель предназначена для исследований устойчивости компьютерного зрения и оценки переносимости универсальных состязательных атак. README ограничивает предполагаемое применение исследованиями. Лицензия репозитория — MIT.

Сценарии применения

  • оценка устойчивости моделей распознавания изображений к универсальным атакам
  • проверка переноса состязательных примеров между моделями
  • исследование переноса атак между наборами данных и предметными областями
  • генерация несцелевых состязательных изображений для экспериментов с CLIP

Ограничения

Возмущение имеет размер 3 × 224 × 224 и задано для RGB-изображений с пиксельными значениями от 0 до 1. Авторы предназначают его для исследовательского применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP

Pre-trained UAP for ICML2025 paper "X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP"

Code: https://github.com/HanxunH/XTransferBench


X-TransferBench

X-TransferBench is an open-source benchmark that provides a comprehensive collection of UAPs/TUAPs capable of achieving universal adversarial transferability. These UAPs can simultaneously transfer across data, domains, models, and tasks. Essentially, they represent perturbations that can transform any sample into an adversarial example, effective against any model and for any task.

Model Details

  • Surrogate Model: XTransfer Large (N=64) Search Space
  • Surrogate Dataset: ImageNet
  • Threat Model: L_inf_eps=12/255
  • Perturbation Size: 3 x 224 x 224

Model Usage

from XTransferBench import attacker

attacker = XTransferBench.zoo.load_attacker("linf_non_targeted", "xtransfer_large_linf_eps12_non_targeted")
images = # torch.Tensor [b, 3, h, w], values should be between 0 and 1
adv_images = attacker(images) # adversarial examples

Citation

If you use this model in your work, please cite the accompanying paper:

@inproceedings{
huang2025xtransfer,
title={X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP},
author={Hanxun Huang and Sarah Erfani and Yige Li and Xingjun Ma and James Bailey},
booktitle={ICML},
year={2025},
}

Security and Ethical Use Statement

The perturbations provided in this project are intended solely for research purposes. They are shared with the academic and research community to advance understanding of super transferable attacks and defenses.

Any other use of the data, model weights, or methods derived from this project, including but not limited to unauthorized access, modification, or malicious deployment, is strictly prohibited and not endorsed by this project. The authors and contributors of this project are not responsible for any misuse or unethical applications of the provided resources. Users are expected to adhere to ethical standards and ensure that their use of this research aligns with applicable laws and guidelines.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · XTransferBench

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
3dd1853

0 моделей