攻击感知相似度度量

May, 2023

Attacking Perceptual Similarity Metrics

Abhijay Ghildyal, Feng Liu

TL;DR本研究系统地研究了感知相似度测量方法在面临不可察觉的对抗扰动时的鲁棒性，发现广泛采用的 LPIPS 指标也容易受到空间变换的对抗扰动的攻击，这表明对抗性样本的问题需要被深入探究。

Abstract

perceptual similarity metrics have progressively become more correlated with human judgments on perceptual similarity; however, despite recent advances, the addition of an imperceptible distortion can still compromise these metrics. In our study, we systematically examine the robustnes

发现论文，激发创造

量化敌对样本的感知失真

通过引入感知度量标准，提出一种新的对抗攻击威胁模型，探究不同攻击样式之间的融合以及在此基础上进行对抗训练，从而实现在保持感知扭曲度不变的情况下取得更高的误分类率。

Feb, 2019

R-LPIPS: 一个对抗鲁棒的感知相似性度量

通过对抗训练的深层特征，我们提出了一种新的强鲁棒学习感知图像块相似度（R-LPIPS）度量，通过全面的实验，我们证明了 R-LPIPS 相比于经典的 LPIPS 度量的优越性。

Jul, 2023

位移容忍的感知相似度度量

本文研究了存在偏差误差的图像对于现有视觉相似度测量标准的影响，并且开发了一种可以容忍图像偏移误差的相似度测量标准。通过探究神经网络元素的不同，本文开发了一种新型深度神经网络基础的视觉相似度测量标准，实验结果表明其能够容忍难以感知的偏移误差，同时与人类相似度判断一致。

Jul, 2022

基于频率的语义相似性不可察觉对抗攻击

通过在特征表示上进行对抗攻击，使用语义相似性对分类器进行攻击，同时使用低频率约束，保证对抗样本和原始样本的感官相似性和跨数据集泛化。

Mar, 2022

感知约束对抗攻击

该论文提出使用 SSIM 替代 $L_p$ 范数来衡量对抗性样本在图像分类中的感知质量，并表明这种方法比之前的方法更好，以及该方法可以用于评估防御方案的性能。

Feb, 2021

通过随机转换集合的鲁棒感知图像相似度

本文研究了卷积神经网络的隐藏变量作为感知相似度度量的有效性，发现自学习的感知相似度度量（LPIPS）容易受到对抗样本的攻击，但无限家族随机变换的自增强技术可以使度量鲁棒性提高，同时保持对人类判断的预测能力，并发现自增强度量空间中的 “感知凸性” 现象，即相似图像的凸组合保留外观，离散测地线产生有意义的帧插值和纹理变形。

Jun, 2019

基于感知度量的任务通用性对抗攻击

提出一种基于永续度量的方法，通过创造高度扭曲网络特征空间的攻击来达到高度通用的敌对样本，旨在打破相对有限的目前攻击的限制，并可将其通过多个网络扩展到多个任务。

Nov, 2018

空间变换对抗样本

本文研究深度神经网络中的对抗样本问题，提出了一种新的扰动方法：利用空间变换生成对抗性样本以增强样本的感知逼真度，证明这种方法在现有防御系统方面更加具有挑战性，并通过可视化技术研究神经网络对不同类型对抗样本的感知。

Jan, 2018

LipSim：一个可证明鲁棒的感知相似度度量

该研究论文通过对基于 ViT 的特征提取器集合的先进感知相似度度量的鲁棒性进行敏感性分析，提出了名为 LipSim（Lipschitz 相似度度量）的可靠感知相似度度量方法，并通过一系列实验证明了 LipSim 在自然分数、认证分数和图像检索应用方面的性能。

Oct, 2023

当措施不可靠时：面向前 $k$ 多标签学习的不可察觉的对抗性扰动

该论文提出了一种在多标签学习中能够同时迷惑视觉感知和规避度量监测的对抗性攻击方法，并通过对大规模基准数据集的实验表明其优越性。

Jul, 2023