最近网上出现了一种“隐身衣”，能让AI认不出照片中的人脸，很好地保护了隐私。不过，这种“隐身衣”往往在上传到App时就失效了，因为App会对图片进行二次压缩。为了让“隐身衣”更有效，武汉大学国家网络安全学院和Adobe联手攻关，把目标锁定在让对抗性噪声能在各种压缩环境中存活。 为了实现这一目标，研究团队提出了一个新方案，叫ComReAdv。他们把原图和对应压缩图打包起来，构建了一个监督数据集。通过这个数据集，团队训练出了一个“山寨”压缩器ComModel。这个ComModel能模仿不同的压缩算法，还能以可微方式近似未知算法。他们把ComModel塞进优化目标里，用MI-FGSM迭代生成新的对抗图。这个新对抗图经过模拟压缩后，还能误导分类器。实验结果显示，ComReAdv在抗压缩能力上超越了现有最好的方法SOTA。比如在微博上，它能把Resnet50的误导率推到90%以上。 这个方案让“隐身衣”不仅能在本地仿真（如JPEG、JPEG2000、WEBP）中发挥作用，还能在真实社交平台（如Facebook、微博、豆瓣）中保持效果。接下来研究团队计划提升模型的抗压缩极限，探索动态对抗技术，让噪声随网络环境实时进化。最终目标是让每一次分享都自带“隐身衣”，把隐私风险挡在屏幕之外。