ICCVApr, 2019

深度图像超分辨率对抗攻击鲁棒性评估

PDF
TL;DR本文研究基于深度学习的超分辨率方法在对抗攻击下的鲁棒性，旨在生成高分辨率的图像，但实验证明现有方法对抗攻击的鲁棒性较差，不同方法的鲁棒性存在差异，还探讨了攻击的可转移性、有针对性攻击、通用性攻击的可行性。
发现论文，激发创造
  • 图像超分辨率作为对抗攻击的防御

    本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

    Jan, 2019

  • 通过对抗鲁棒性实现广义真实世界的超分辨率

    该研究提出了一种称为 Robust Super-Resolution (RSR) 的新方法，该方法利用敌对攻击的泛化能力来解决现实世界的超分辨率问题，并证明其相对现有最先进方法在真实世界数据集上的泛化能力更强。

    Aug, 2021

  • 针对对抗性攻击的稳健实际图像超分辨率

    研究了深度神经网络在实际图像超分辨率应用中受到敌对噪声攻击的问题，并提出一种结合频域掩模模块和敌对样本分类器的解决方案，以提高模型的稳定性和鲁棒性。

    Jul, 2022

  • 对抗鲁棒性基准测试

    本研究旨在建立一个全面、严谨、连贯的标准来评估对抗性鲁棒性，通过两个鲁棒性曲线作为公正的评估标准来进行大规模实验，全面掌握攻击与防御方法的表现并得出重要结论和未来研究的启示。

    Dec, 2019

  • 单张图像超分辨率 - 模型自适应很重要

    本文提出了一种新型的深度卷积神经网络，该网络使用内部先验来适应低分辨率图像的内部内容，并分析了其优点和缺点，在运行时间和使用内部先验的情况下，在标准数据集上比最佳结果提高了 0.1 至 0.3dB 的 PSNR，特别适合于具有重复结构或大分辨率下的图像。

    Mar, 2017

  • 基于中值随机平滑的通用稳健方法用于现实世界超分辨率

    我们的研究探索了提高深度学习超分辨率模型鲁棒性的不同方法的普适性，并发现中值随机平滑在对抗攻击以及标准图像破坏方面比其他方法更具通用性。这些结果支持将真实世界超分辨率方法的发展重心转向鲁棒超分辨率。

    May, 2024

  • 评估文档图像分类的对抗鲁棒性

    本文探讨了针对文档和自然数据的对抗攻击方法，并通过对 ResNet50 和 EfficientNetB0 模型架构的对抗训练、JPEG input 压缩和灰度输入变换等方法的研究， 对文件图像分类任务中这些攻击的影响进行了评估。

    Apr, 2023

  • 基于深度学习的单幅图像超分辨率的全面综述

    本研究调查了单图像超分辨率的经典方法和基于深度学习的方法，将这些方法分类为四类，并介绍了 SR 的问题，提供了图像质量指标，参考数据集和 SR 的挑战。其中包括 EDSR，CinCGAN，MSRN 等最先进的图像 SR 方法。

    Feb, 2021

  • 超分辨率的深入探究：一份综述

    比较了三个经典和三个最近引入的具有挑战性的数据集上的 30 多种最先进的超分辨率卷积神经网络，提出了一种基于深度学习的超分辨率网络的分类方法，并提出了现有技术的几个缺点和未来研究方向。

    Apr, 2019

  • 使用一张真实图像的迭代式超分辨率生物医学成像

    本研究提出了一种有效训练基于深度学习的超分辨率模型的方法，通过利用自动生成的高分辨率图像，仅使用一个真实图像进行训练。这种方法可自主筛选图像，从而逐步生成优化的训练数据集，提高模型的性能和可视化效果，同时维护原始生物医学图像的特性，以无须真实世界人类数据的方式训练深度神经网络。

    Jun, 2023