Jul, 2023

R-LPIPS: 一个对抗鲁棒的感知相似性度量

PDF
TL;DR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。
similarity metricscomputer visionlpipsneural networksadversarial examples
发现论文，激发创造
  • 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

  • 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

  • 攻击感知相似度度量

    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。

    May, 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

  • CPIPS: 在端到端图像压缩中学习保持视觉距离

    通过在神经科学中建模感知皮层和生物系统中的高效编码假设，我们重新利用压缩潜在表示来优先考虑语义相关性，同时保留感知距离。我们提出的方法，压缩感知图像补丁相似度（CPIPS），可以从学习的神经编解码器以较低的成本进行计算，并且比基于深度神经网络的感知度量（如 LPIPS 和 DISTS）计算速度显著更快。

    Oct, 2023

  • 线性预测在感知度量中的非合理有效性

    通过加权最小二乘问题和嵌入空间，构建了一种感知嵌入方法，用于图像质量评估和感知任务，与深度学习特征方法有竞争力，并且计算成本相似。

    Oct, 2023

  • 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

  • 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

  • 基于深度网络的感知相似性度量生成图像

    通过采用深度感知相似度测量（DeePSiM）来代替在图像空间中计算距离，我们的研究表明，此类损失函数能够更好地反映图像的感知相似度，从而减少图像平滑问题，并且在自编码器训练、变分自编码器的修改以及深度卷积网络的反演三种应用场景中表现出令人印象深刻的生成结果。

    Feb, 2016

  • 全局和局部图像感知评分（GLIPS）：评估人工智能生成图像的真实感质量

    该研究引入了全局 - 局部图像感知评分（GLIPS），一种用于评估人工智能生成图像与人类视觉感知高度一致的真实感图像质量的图像度量。GLIPS 利用先进的基于变换器的注意机制评估局部相似性和最大均值差异（MMD）评估全局分布相似性。人类研究表明，GLIPS 在真实感图像质量的相关性方面相比现有的指标如 FID、SSIM 和 MS-SSIM 具有更好的表现。此外，该研究还引入了插值缩放方法（IBS），通过使度量分数与人类评估标准更加一致，提高了度量分数的可解释性。该提出的度量和缩放方法不仅提供了更可靠的对人工智能生成图像的评估，还为图像生成技术的未来改进提供了指导。

    May, 2024