MALICE: 对学习的图像压缩算法的操纵攻击
通过基于简单图像转换函数的非训练型防御技术,研究了学习型图像压缩模型在面对对抗攻击时的稳健性,并提出了一种简单但有效的双向压缩算法,可方便地应用于现有的图像压缩模型,并且在保留对干净图像模型的原始失真率性能的同时,无需额外的训练或修改现有模型,更加实用。
Jan, 2024
该研究论文介绍了如何在低失真路径上发起黑盒攻击,以提高攻击效率和敌对图像的感知质量,并在真实世界系统上进行了实验,验证了该方法在基准分类任务和生物识别及取证等关键应用中的有效性。
Feb, 2019
使用 JPEG 压缩作为分类管道中的预处理步骤,可以在对抗性攻击中起到作用,通过移除高频信号成分从而消除加性扰动。我们还提出了一种基于集合的技术,该技术可以快速构建一个性能良好的 DNN 集成,通过利用 JPEG 压缩来保护模型免受多种类型的对抗性攻击,而不需要了解模型。
May, 2017
本文提出了一种新颖的深度对抗学习视频压缩模型,该模型采用一个辅助的对抗性失真目标函数,我们将该目标函数与传统的质量指标如 MS-SSIM 和 PSNR 相比较,发现该对抗目标函数更符合人类感知质量判断标准,实验结果证明该模型能够在极高的压缩率下减少感知失真和重建丢失的细节。
Apr, 2020
利用自适应 JPEG 编码器来增强深度神经网络对抗性攻击的鲁棒性,不仅可以保持图像的视觉质量,而且无需更改分类器并且压缩图像可以被非定制的 JPEG 解码器解压。
Mar, 2018
使用深度卷积神经网络的有损图像压缩方法,结合感知损失和对抗损失以及逐渐引入量化误差和速率约束的易到难迁移学习实现更好的速率 - 失真优化。在多个数据集中,相比于 BPG,WebP,JPEG2000 和 JPEG,平均达到了 7.81% - 19.1%的 BD - 率降低。
Jun, 2018
通过综合考虑模型重塑和输入扰动,本研究首次探讨了实际模型优化的深度学习系统中的多因素对抗攻击问题,并开发了一种名为 “梯度抑制” 的防御技术,能够有效减轻对软硬件导向深度学习的对抗攻击。
Feb, 2018
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