一种用于鲁棒学习型图像压缩的免训练防御框架

我们研究了学习型图像压缩模型对对抗攻击的鲁棒性，并提出了一种基于简单图像变换函数的免训练防御技术。最近的学习型图像压缩模型容易受到对抗攻击，导致压缩率差、重建质量低或出现奇怪伪影。为了解决这些局限性，我们提出了一种简单但有效的带随机输入变换的双向压缩算法，该算法可方便地应用于现有的图像压缩模型。与朴素方法不同，我们的方法在干净图像上保留了模型原有的率失真性能。此外，所提出的算法不需要对现有模型进行额外训练或修改，使其更加实用。我们通过在多种压缩模型、评估指标和攻击场景下的大量实验证明了所提出技术的有效性。