本文针对边缘视觉系统中深度可分离卷积网络（如移动端常见架构）在对抗攻击面前使用基于预处理的防御时的有效性评估缺口展开研究。以往关于预处理防御（例如图像压缩、去噪等输入变换）的评测主要基于残差类网络（如 ResNet）或 Inception 类架构，而实际边缘部署中大量使用深度可分离卷积以降低计算量，这两类架构在预处理行为上尚未被系统对比。作者构建了包含残差与两种深度可分离架构在内的三类模型，测试了六种预处理方法，在多个扰动强度下观察防御后的分类恢复情况。结果显示：深度可分离架构在所有扰动级别下均难以从对抗干扰中恢复准确率，而残差架构仅能部分恢复；消融实验支持该差异主要源于架构设计而非参数规模。这一失败本身并非完全负面——作者发现预处理操作对干净样本的预测会产生明显破坏，而对对抗样本的预测几乎不改变，这种不对称性可用于区分对抗输入与正常输入，从而作为一种无需重训或结构改动的轻量级检测依据。同时，论文指出常用图像质量指标与防御有效性之间缺乏可靠相关性，提醒评估标准需要更新。基于上述发现，论文给出了面向边缘视觉系统部署的抵御对抗攻击的决策框架。虽然研究仅涉及三种架构和一个攻击家族，但结论对安全评估实践和边缘 AI 部署有重要启示。