Las redes neuronales profundas (DNNs) utilizadas para la clasificación de imágenes son vulnerables a ejemplos adversarios, que son imágenes que se generan intencionalmente para predecir una salida incorrecta para un modelo de aprendizaje profundo. Se han propuesto varios métodos de defensa para protegerse contra tales ataques adversarios, entre los cuales, los métodos de defensa basados en la reconstrucción de imágenes, como , son conocidos por ser efectivos para eliminar las perturbaciones adversarias inyectadas en la imagen. Sin embargo, este enfoque de defensa basado en la reconstrucción de imágenes sufre de un largo tiempo de ejecución debido a su reconstrucción de imagen iterativa y que consume mucho tiempo. El equilibrio entre el tiempo de ejecución y la robustez/precisión del método de defensa debe ser explorado cuidadosamente, lo cual es el enfoque principal de este artículo. En este trabajo, nuestro objetivo es mejorar el tiempo de ejecución del método de defensa basado en la reconstrucción de imágenes de vanguardia existente, , contra el Método de la Señal de Gradiente Rápido (FGSM). Para ello, proponemos tener en cuenta las propiedades específicas de la entrada al decidir el punto de parada de la reconstrucción de imágenes de . Para ello, primero aplicamos un filtro de paso bajo a la imagen de entrada con varios tamaños de kernel para hacer una predicción de la etiqueta verdadera. Luego, en base a eso, los parámetros del procedimiento de reconstrucción de imágenes fueron elegidos de forma adaptativa. Experimentos con 500 imágenes aleatorias seleccionadas del conjunto de validación de ImageNet muestran que podemos obtener una mejora de aproximadamente el 40% en el tiempo de ejecución manteniendo la caída de precisión tan pequeña como 0.4-3.9%.