对抗样本对深度神经网络的鲁棒性、可靠性及对齐性构成了重大挑战。本文提出一种新颖且易于使用的方法，通过引入多分辨率输入表示与中间层预测的动态自集成机制，实现高质量表征，从而提升模型的对抗鲁棒性。我们发现，中间层预测本身对旨在欺骗完整分类器的对抗攻击具有内在鲁棒性，并据此提出一种基于维克里拍卖（Vickrey auction）思想的鲁棒聚合机制，命名为 \textit{CrossMax}，用于动态集成这些中间层输出。通过结合多分辨率输入与鲁棒集成策略，我们在不进行任何对抗训练或引入额外数据的情况下，在 CIFAR-10 和 CIFAR-100 数据集上实现了显著的对抗鲁棒性：在 RobustBench AutoAttack 套件（$L_\infty=8/255$）上，使用微调后的 ImageNet 预训练 ResNet152 模型，分别达到约 72%（CIFAR-10）和约 48%（CIFAR-100）的对抗准确率。该结果在 CIFAR-10 上可与当前顶尖模型相媲美，在 CIFAR-100 上较现有最优专用方法提升约 5%。进一步在模型上叠加简单的对抗训练后，性能进一步提升至 CIFAR-10 约 78%、CIFAR-100 约 51%，分别超过当前最先进水平（SOTA）5% 和 9%，且在更具挑战性的 CIFAR-100 上取得更显著的增益。我们通过大量实验验证了该方法的有效性，并深入探讨了对抗鲁棒性与深度表征层级结构之间的内在关联。实验表明，针对我们模型的简单基于梯度的攻击，会产生可被人类直观理解的目标类别图像以及可解释的图像变化。作为副产品，我们利用所提出的多分辨率先验，成功将预训练分类器与 CLIP 模型转化为可控图像生成器，并开发出针对大型视觉-语言模型的有效可迁移攻击方法。