祝贺实验室团队博士生宋子帆一篇论文”Deep Perturbation Learning: Enhancing the Network Performance via Image Perturbations”被ICML 2023录用。图像扰动技术被广泛运用于生成对抗样本来攻击网络，可极大地降低网络的性能。与以往的工作不同，本文提出了一种深度扰动学习范式，以提高网络性能为目的，为图像扰动提供新的见解。具体而言，本文通过学习图像扰动来修正训练集的数据表征，以交替迭代优化数据与模型的方式提高模型性能。这种针对数据表征与分布的优化是非平凡的。为了解决这个问题，本文通过最小化经验风险构造了一个针对图像扰动的可微优化目标。与对抗训练方法相比，本文并不执行最大最小化博弈，而是；与数据增强方法相比，本文在整个扰动空间中优化可微目标，而非局限于离散的图像变换空间中使用不可微策略搜索数据增强，此外，本文方法可与现有数据增强方法结合使用以达到更优性能。大量实验结果表明，通过交替优化，所提出的深度扰动学习范式可以在广泛的下游视觉任务（图像分类、目标检测和语义分割）上提高流行的深度模型（如ResNet、DenseNet和ViT等)的性能。