现如今基于神经网络的图像和视频质量度量表现出比传统方法更好的性能。然而，它们也变得更容易受到对抗攻击，这些攻击可以增加度量指标的分数，而无需改善视觉质量。现有的质量度量基准主要通过与主观质量的相关性和计算时间来比较性能。然而，图像质量度量的对抗鲁棒性也是一个值得研究的领域。本文分析了现代度量在不同对抗攻击下的鲁棒性，并对 15 种无参考图像 / 视频质量度量的攻击效果进行了比较。一些度量显示出很高的抵抗对抗攻击的能力，使得它们在基准测试中的使用比易受攻击的度量更加可靠。该基准测试接受研究人员提交新的度量方法，使得研究人员可以使自己的度量方法更加抵抗攻击，或者寻找适合自己需求的度量方法。可以通过 pip install robustness-benchmark 来使用我们的基准测试。

Oct, 2023

本论文介绍一种针对无参考图像和视频质量度量的隐形一次迭代对抗性攻击方法，通过客观和主观测试，与八种先前方法进行比较，我们方法在各种被攻击的度量架构中表现出卓越的视觉质量，并同时保持可比较的攻击成功率和速度。

Mar, 2024

通过黑盒攻击评估非参考视频质量评估模型的鲁棒性。

Sep, 2023

本文提出了一种在物理空间中测试质量度量弱点的方法，该方法可用作评估质量度量韧性的额外指标，补充传统的主观比较和像素空间的弱点测试。

Apr, 2024

本研究探索了关于图像质量度量的对抗性攻击领域，并研究了防御方面的相关问题，试图检查将对抗净化防御方法从图像分类器应用到图像质量度量方法的可行性。通过对几种广泛被应用于图像质量度量模型的攻击进行实验，结合几种不同的预处理技术（包括几何变换、压缩、去噪和现代神经网络方法），评估了防御方法的成功与对抗性攻击处理的视觉质量输出和成功率之间关联的挑战。并在三个图像质量度量评估指标（线性度、元 IQA 和 SPAQ）上进行了测试。

Apr, 2024

本文首次尝试探索黑盒对抗攻击 NR-IQA 模型，通过最大限度地增加原始和扰动图像的质量评分之间的差异来误导对抗性示例的估计质量评分，针对 NR-IQA 模型开发出一种高效和有效的黑盒攻击方法。广泛实验表明，所有评估的 NR-IQA 模型都对该攻击方法存在漏洞，生成的扰动不可转移，有助于研究不同 IQA 模型的特性。

Feb, 2024

本文以 Fast Gradient Sign Method 为基础，对面部图像数据集进行扰动，测试不同黑盒攻击算法的鲁棒性，并重点研究修改单个最佳像素或所有像素的攻击方法。研究结果表明，所有像素攻击方法能使分类器置信度平均下降至 84％，且 81.6％的误分类率，但这些图像始终可以被人类识别。该研究可为防御性对抗攻击、自适应噪声降低技术等方面的 DNNs 训练和研究提供宝贵的参考。

Jan, 2020

深度神经网络在无参考图像质量评估中取得了令人印象深刻的成功，但最近的研究强调了 NR-IQA 模型对微小对抗扰动的脆弱性，导致模型预测与主观评分之间的不一致性。当前的对抗攻击忽视了整个图像集内得分之间的关联关系，本研究提出了一种基于关联误差的攻击框架，同时破坏图像集内的关联性和个体图像的得分变化。该研究主要关注 Spearman 等排名相关的关联度和 Mean Squared Error 等预测误差度量。通过实验证明，该方法显著破坏了 Spearman 相关系数并对个体图像的得分产生了明显的变化，同时在不同类别的指标上表现出了最先进的性能，为 NR-IQA 模型的鲁棒性提供了新的视角。

Apr, 2024

通过使用无参考图像质量评估方法作为感知损失，本文研究了几种视频超分辨率模型的直接优化，实验结果表明简单的优化方法会产生伪影，但特殊的训练过程可以减轻这些问题。

May, 2024

本文提出了一种基于深度元学习的无参考图像质量评估指标，通过收集多种失真的图像任务，在元学习的基础上，学习人类评估图像质量时所共享的元知识，以适应未知的失真，进而优化质量先验模型，进行目标无参考图像质量评估，结果表明这种方法优于现有技术，并且所学习的元模型还可轻松推广到真实 - world 应用中。

Apr, 2020