Apr, 2024

无参考图像质量度量的对抗性提纯：适用性研究与新方法

PDF
TL;DR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。
adversarial attacksimage quality metricsdefencesadversarial purificationiqa methods
发现论文，激发创造
  • 图像质量评估模型的黑盒对抗攻击

    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

  • PuriDefense：随机本地隐式对抗净化来防御黑箱基于查询的攻击

    传统的防御机制如对抗训练、梯度掩盖和输入转换要么会对计算成本造成巨大的影响，要么会损害非对抗性输入的测试精度。为了解决这些挑战，我们提出了一种高效的防御机制，PuriDefense，它在较低的推理成本下使用一组轻量级净化模型进行随机的补丁净化，这些模型利用了本地隐式函数并重建了自然图像流形。我们的理论分析表明，通过将随机性引入净化中，这种方法缓慢了查询攻击的收敛速度。对 CIFAR-10 和 ImageNet 的大量实验证实了我们提出的基于净化器的防御机制的有效性，展示了在对查询攻击的鲁棒性方面的显着改进。

    Jan, 2024

  • 用梯度范数正则化防御无参考图像质量模型的对抗攻击

    通过提出一种防御方法，并建立正规化训练策略，我们实验了四个基线模型来降低对无参考图像质量评估模型的对抗攻击所造成的分数变化，从而提高其对抗攻击的鲁棒性。

    Mar, 2024

  • 对现代无参考图像和视频质量度量的鲁棒性在对抗攻击下的比较

    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

  • 信息屏蔽的对抗净化

    我们提出了一种名为信息掩膜净化（IMPure）的新型对抗净化方法，该方法旨在广泛消除对抗性扰动，并在 ImageNet 数据集上通过三个分类器模型的广泛实验证明，我们的方法在对抗攻击方法方面取得了最先进的结果。

    Nov, 2023

  • 无参考图像和视频质量评价的快速对抗基于 CNN 的扰动攻击

    本文研究了基于神经网络的无参考质量度量方法的适用范围，并提出了一种快速的对抗扰动攻击方法（FACPA），可以用作实时视频处理和压缩算法的预处理步骤，提高稳定性。

    May, 2023

  • 对抗净化的扩散模型

    本文提出了 DiffPure， 使用扩散模型进行过去神经网络的抵御攻击，结果表明它在三个图像数据集上优于现有的对抗训练和对抗净化方法，通常差距很大。

    May, 2022

  • 语言引导的对抗净化

    通过使用生成模型进行对抗性净化，可以展示出很强的对抗性防御性能。我们介绍了一种新的框架，即语言引导对抗净化（LGAP），利用预训练的扩散模型和字幕生成器来防御对抗性攻击。通过生成图像的字幕，我们的方法首先生成一个字幕，然后通过扩散网络来指导对抗性净化过程。我们的方法在对抗性攻击下经过评估，证明了其提高对抗性鲁棒性的有效性。我们的结果表明，LGAP 的性能优于大多数现有的对抗性防御技术，而不需要专门的网络训练，突显了在大规模数据集上训练的模型的广泛适用性，为进一步的研究方向提供了有希望的方向。

    Sep, 2023

  • 自适应特征选择在无参考图像质量评估中的应用：对比缓解语义噪声敏感性

    使用对比学习方法的质量感知特征匹配图像质量评估度量 (QFM-IQM)，通过对具有相似语义特征但质量得分不同的图像对进行比较，以自适应地调整上游任务的特征，移除有害特征并通过蒸馏方法提高模型的泛化能力，在 8 个标准 NR-IQA 数据集上实现了优越的性能。

    Dec, 2023

  • 使用自适应噪声降低在深度网络中检测对抗样本

    该文章提出了一种直接部署到标准深度神经网络模型中的简单方法，通过引入两个经典图像处理技术，标量量化和平滑空间滤波，将图像中的扰动降低到最小，使用图像熵作为度量标准，可以有效地检测出对基于多种攻击技术的先进深度学习模型的 20,000 多个对抗样本，最终的实验结果表明，该检测方法可以取得 96.39％的高整体 F1 评分。

    May, 2017