摘要
在现实世界中对安全性有严格要求的应用中，应对分布外（OOD）损坏和对抗性攻击的能力至关重要。本研究开发了一种基于焦点分析的通用机制，以增强神经网络的鲁棒性。近期的研究揭示了\textit{过度聚焦（Overfocusing）}现象，这会导致性能下降。当网络主要受输入的小区域影响时，其鲁棒性会降低，并且在噪声和损坏下更容易误分类。然而，量化过度聚焦仍然模糊不清，缺乏明确的定义。在此，我们提供了\textbf{焦点（focus）}、\textbf{过度聚焦（overfocusing）}和\textbf{欠聚焦（underfocusing）}的数学定义。这些概念是通用的，但在本研究中，我们特别调查了三维点云的情况。我们观察到，损坏的数据集导致了与干净训练集相比偏斜的焦点分布。我们展示了随着焦点分布偏离训练阶段所学的分布——分类性能会恶化。因此，我们提出了一种无参数的\textbf{重新聚焦（refocusing）}算法，旨在将所有损坏统一到同一分布下。我们在一个三维零样本分类任务上验证了我们的发现，在ModelNet-C数据集上的鲁棒三维分类任务中达到了最先进水平（SOTA），并在针对形状不变攻击的对抗防御中也表现出色。代码可在以下链接获取：https://github.com/yossilevii100/refocusing。