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
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
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。
Apr, 2019
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
本文探讨超分辨率和降噪问题中的盲问题,提出优化方法,使用随机频率掩蔽网络调节,以达到还原图像并提高性能。
Mar, 2020
使用 DSGAN 结构进行无监督学习,将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术,只需对高频部分进行对抗性训练,从而极大地提高超分辨率模型在真实世界图像上的性能表现。
Nov, 2019
通过提出一种深度残差卷积生成对抗网络(SRResCGAN)来解决真实世界中图像修复过程缺失的问题,该网络通过对 HR 领域的像素级监督来对模型进行敌对训练,并利用残差学习和凸优化技术来最小化能量函数,我们的实验表明,该方法易于部署到其他下采样算子和移动 / 嵌入式设备上,并且能够更好地适应真实世界中的图像噪声问题。
May, 2020
该研究通过去除高频分量训练出具有鲁棒性的图像分类模型,并在 IJCAI-2019 阿里巴巴对抗 AI 挑战中获得了第五名。
Aug, 2019
本研究提出了一种基于 CycleGAN 和 GAN 框架的超分辨率方法,能够在真实世界的低分辨率与高分辨率图像转换中,保持数据分布的连续性,表现出较高的超分辨率效果。
Sep, 2020
本研究在深度神经网络安全领域提出了一种方法,即通过频率正则化和随机权重平均方法,提高 Adversarial Training 的鲁棒性,实现对 PGD-20、C&W、Autoattack 等方式的攻击具有更加强大的抵抗能力。
Dec, 2022