循环一致GAN的对抗式自我保护
计算机视觉与模式识别
2019-08-06 v1 图像与视频处理
摘要
无监督图像到图像翻译的目标是在没有两域间真值对应的情况下将图像从一域映射到另一域。最先进的方法利用来自两域的大量未配对样本学习对应关系,并基于生成对抗网络。为保留输入图像的语义,对抗目标通常与循环一致性损失结合,该损失惩罚从翻译图像对输入图像的错误重建。然而,若目标映射是多对一的(如航拍照片到地图),此类限制迫使生成器将信息隐藏于人眼或判别器不可察觉的低幅结构化噪声中。本文中,我们展示了无监督翻译方法的此类自我攻击行为如何影响其性能,并给出两种防御技术。我们对所提技术进行定量评估,表明使翻译模型对自我对抗攻击更鲁棒可提升其生成质量与重建可靠性,并降低模型对低幅扰动的敏感性。
引用
@article{arxiv.1908.01517,
title = {Adversarial Self-Defense for Cycle-Consistent GANs},
author = {Dina Bashkirova and Ben Usman and Kate Saenko},
journal= {arXiv preprint arXiv:1908.01517},
year = {2019}
}