超越评分变化：从两个角度对无参考图像质量评估进行对抗攻击

Apr, 2024

超越评分变化：从两个角度对无参考图像质量评估进行对抗攻击

Beyond Score Changes: Adversarial Attack on No-Reference Image Quality Assessment from Two Perspectives

Chenxi Yang, Yujia Liu, Dingquan Li, Yan Zhong, Tingting Jiang

TL;DR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。

Abstract

deep neural networks have demonstrated impressive success in No-Reference Image Quality Assessment (NR-IQA). However, recent researches highlight the vulnerability of NR-IQA models to subtle adversarial perturbations, leading to inconsistencies between model predictions and subjective

deep neural networks no-reference image quality assessment adversarial attacks correlation-error-based attacks spearman's rank-order correlation coefficient

发现论文，激发创造

一种基于查询的黑盒方法探索无参考图像质量评估模型的漏洞

本文提出了一种基于查询的黑盒攻击方法，通过使用多个分数边界和人类视觉系统的特性，使得攻击方法能够有效地测试无参考图像质量评估方法的稳健性。实验证明，该攻击方法优于其他先进方法，并揭示了 NR-IQA 在黑盒攻击下的脆弱性，同时为进一步研究 NR-IQA 的稳健性提供了有力工具。

Jan, 2024

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

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

视频质量评估模型的漏洞：对抗性攻击的挑战

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

基于 Transformer、相对排名和自一致性的无参考图像质量评估

提出了一种新颖的模型，它通过卷积神经网络和 Transformers 中的自我关注机制，从输入图像中提取局部和非局部特征来解决无参考图像质量评估（NR-IQA）任务，同时提供自我一致性作为一个自我监督信号来提高模型的鲁棒性。经过在七个标准 IQA 数据集上的测试，证明了该模型达到了各种数据集上的最先进成果。

Aug, 2021

利用对比度增强进行无参考对比度失真图像质量评估

本文提出了一种针对对比度失真的简单而有效的度量标准，利用结构相似性指数 (SSIM) 、基于直方图的熵和交叉熵等方法综合评估图像质量，进而学习回归模块以预测质量得分。

Apr, 2019

RankIQA：基于排序学习的无参考图像质量评价

本文提出了一种从排名中学习的无参考图像质量评估方法（RankIQA）。采用合成的失真图像来训练 Siamese 网络，以排名的方式对图像质量进行评估，从而实现自动生成无需人工标注。通过微调，将训练有素的 Siamese 网络的知识转移至传统的 CNN，通过一次正向传递可以显著提高效率，并在 TID2013 基准测试中将结果提高了超过 5%。此外，在 LIVE 基准测试中，该方法也优于现有的 NR-IQA 技术，并在全参考 IQA（FR-IQA）方法中甚至超过现有技术，无需使用高质量的参考图像进行推断。

Jul, 2017

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

使用大数据学习增强图像的无参考质量评估模型

本文研究了通过机器学习进行图像质量评估和增强的问题，并开发了一个新的无参考图像质量评估模型和一个基于质量优化的强大的图像增强框架。

Apr, 2019

基于 Transformer 的无参考图像质量评估通过监督对比学习

在这篇论文中，我们提出了一种基于监督对比学习与 Transformer 的图像质量评估模型 SaTQA，该模型通过 SCL 在大规模合成数据集上进行训练，从而提取出具有各种失真类型和水平的图像退化特征，并结合了 CNN 的归纳偏置和 Transformer 的长期依赖建模能力来进一步提取图像的失真信息，最终通过融合对比学习学到的退化特征和骨干网络提取的感知失真信息获取最终的失真图像质量得分。实验结果表明，SaTQA 在合成和真实数据集上都优于目前的最先进方法。

Dec, 2023