En el campo de la detección de objetos, el método de ataque adversarial basado en redes generativas adversarias genera eficientemente ejemplos adversariales, reduciendo significativamente los costos de tiempo. Sin embargo, este enfoque pasa por alto la imperceptibilidad de las perturbaciones en los ejemplos adversariales, lo que resulta en un pobre rendimiento visual y una insuficiente invisibilidad de los ejemplos adversariales generados. Para mejorar aún más la imperceptibilidad de las perturbaciones en los ejemplos adversariales, se propone un método que utiliza filtrado mediano para abordar estas perturbaciones generadas. Se realizaron evaluaciones experimentales en el conjunto de datos Pascal VOC. Los resultados demuestran que, en comparación con la imagen original, hay un aumento de al menos 17.2% en el índice de similitud estructural (SSIM) para los ejemplos adversariales generados. Además, la relación pico-señal-a-ruido (PSNR) aumenta al menos un 27.5%, mientras que la similitud de parche de imagen perceptual aprendida (LPIPS) disminuye al menos un 84.6%. Estos hallazgos indican que las perturbaciones en los ejemplos adversariales generados son más difíciles de detectar, con una imperceptibilidad significativamente mejorada y un parecido más cercano a la imagen original sin comprometer su alta agresividad.