随着自动驾驶等应用的发展，目标检测模型的安全问题日益凸显，其中后门攻击可严重破坏模型完整性。攻击者通过在输入中植入预定义触发器，可导致目标类别被篡改（对象误分类）、边界框被移除（对象消失）或为非存在对象生成边界框（对象生成）。尽管图像分类领域的后门防御已相对成熟，但针对目标检测的后门防御研究仍显不足。现有防御方法通常通过扫描输出或模型来检测潜在后门，但需要丢弃恶意数据或模型，无法维持目标检测流水线持续、准确的感知流。为此，论文提出 ODPure——一种新颖的输入阶段黑盒防御方法，基于输入净化来确保稳定的感知流。针对目标检测器的密集预测特性，作者设计了“损坏-重建-选择”（Corruption-Reconstruction-Selection, CRS）范式：首先通过多样化的损坏组合中和触发器，生成大量冗余候选框；然后利用生成先验恢复细粒度结构线索；最后通过投票机制对检测结果达成共识。大量实验表明，该方法能够对多种后门攻击和触发器类型提供鲁棒防御，同时保持基线准确率。代码已开源。