本文提出多模态联合防御框架JAP，通过视觉-文本双向交互协同消除跨模态对抗扰动。JAP包含三个步骤：基于扩散模型的图像净化、视觉语义引导的文本净化（通过掩码预测选取最优文本）及文本语义引导的图像优化（利用CLIP相似度调整扩散过程）。实验表明，JAP在视觉蕴含和图文检索任务上显著优于单模态防御方法，对白盒和迁移攻击均有效，同时保持干净数据的性能。该工作突破了孤立模态防御的局限，为多模态模型安全提供