PMF-Purify：统一单步像素空间对抗净化的准确性与效率

基于摘要分析。该研究面向自然图像分类中的对抗扰动防御，提出 PMF-Purify：在分类前以单次网络求值净化输入，试图避免扩散式净化的多步逆向过程，同时保留鲁棒性与推理效率。 核心机制是基于 Pixel MeanFlow（pMF），将净化表述为直接端点预测，在像素空间把受扰动的中间状态映射至自然图像流形，不经过潜在空间或迭代采样。方法采用参数高效的 LoRA 适配，并冻结基础生成先验与下游分类器。作者的动机是，对抗样本仍保留大部分原始视觉语义，因此不必通过多步轨迹逐渐重建。相比摘要所述的轨迹蒸馏或少步引导去噪路线，其主要区别在于直接预测净化终点；具体损失、训练数据、扰动构造及中间状态定义尚未验证。 作者报告，在 ImageNet-1K/ResNet-152 评估协议下，跨 11 种攻击的平均鲁棒准确率为 78.6%，单张图像推理延迟为 3.72 ms，网络求值次数为 NFE = 1。作者称该平均鲁棒准确率达到当前最优，但未取得全文，尚不能核对攻击类型与强度、自适应攻击设置、平均方式及对照基线。延迟所对应的硬件、批量大小和计时范围也尚未验证，不能仅凭 NFE 推断不同部署环境中的实际速度。实验协议、消融及统计信息尚未验证。 该工作的已报告证据限于自然图像对抗净化，并非 EEG 或 BCI 验证。平台推测（待验证）：直接端点预测可作为信号净化的候选思路，但像素空间的自然图像先验不能直接视为 EEG 先验，其可用性取决于是否能建立保留任务信息的信号生成先验。低信噪比、跨被试差异和小数据条件下，净化可能同时抹去有效神经信号；已有 EEG 相关工作尚未检索确认。