生成

为了解决这些问题，作者提出了AdvDiffVLM，一种利用扩散模型通过得分匹配生成自然、无约束且具有针对性对抗样本的方法。

具体而言，AdvDiffVLM使用自适应集成梯度估计（AdaptiveEnsembleGradientEstimation,AEGE），在扩散模型的反向生成过程中调整得分，确保生成的对抗样本具备自然的针对性对抗语义，从而提升迁移性。

实验结果表明，与最新的基于迁移的对抗攻击方法相比，该方法生成对抗样本的速度提高了5到10倍，同时保持了更高质量的对抗样本。

此外，与之前的基于迁移的对抗攻击方法相比，该方法生成的对抗样本具有更好的迁移性。

此外，由于对抗语义的不自然性，生成的对抗样本的迁移性较低。

为了解决这些问题，作者提出了AdvDiffVLM，一种利用扩散模型通过得分匹配生成自然、无约束且具有针对性对抗样本的方法。

具体而言，AdvDiffVLM使用自适应集成梯度估计（AdaptiveEnsembleGradientEstimation,AEGE），在扩散模型的反向生成过程中调整得分，确保生成的对抗样本具备自然的针对性对抗语义，从而提升迁移性。

实验结果表明，与最新的基于迁移的对抗攻击方法相比，该方法生成对抗样本的速度提高了5到10倍，同时保持了更高质量的对抗样本。

此外，与之前的基于迁移的对抗攻击方法相比，该方法生成的对抗样本具有更好的迁移性。

此外，由于对抗语义的不自然性，生成的对抗样本的迁移性较低。