该论文提出了一种名为 AMRM-Pure 的对抗性净化防御框架。现有对抗性净化方法通常依赖生成模型（如扩散模型）来移除扰动，并侧重于减少对抗样本与干净样本在特征空间中的差异，却忽略了单个样本内部的语义相关性。针对这一问题，作者从保持图像块之间语义关系的角度重新审视对抗性净化。他们利用注意力掩码重建模型（AMRM）并发现该模型对对抗噪声高度敏感，因为噪声会严重扭曲块间语义关系。基于此观察，AMRM-Pure 通过保持块级语义来对对抗输入进行去噪，并将该过程形式化为关于输入的可优化问题。此外，为了进一步增强鲁棒性，他们使用分类损失微调 AMRM-Pure 以加强语义一致性。该方法应用于两种 AMRM 架构（MAE 和 MaskDiT），广泛的实验证明其有效性，在多个基准上取得了新的最优性能。核心贡献在于提出一种不依赖强大生成模型、而是通过保留内部语义结构来净化的新思路，并验证了其在图像分类场景下的优越性。