基于影子自适应攻击的图像阴影移除对抗鲁棒性基准测试

阴影移除旨在消除图像中存在的局部阴影，恢复一致照明下的视觉令人满意的自然场景。虽然最近的深度学习技术在图像阴影移除中展现了令人印象深刻的性能，但其对对抗攻击的鲁棒性仍 largely 未被探索。此外，许多现有攻击框架通常在整个输入图像上分配统一的预算，这种做法可能不适用于攻击阴影图像。这是由于阴影图像中呈现的空间变化照明特性所致。本文提出了一种新方法，称为影子自适应对抗攻击。不同于标准对抗攻击，我们根据阴影图像中不同区域的像素强度调整攻击预算。因此，阴影区域优化后的对抗噪声在视觉上不那么明显，而在非阴影区域则允许更大的扰动容忍度。所提出的影子自适应攻击自然与阴影图像中变化的照明分布相吻合，从而产生不那么显眼的扰动。基于此，我们对现有阴影移除方法进行了全面的经验评估，将其置于各种攻击水平下进行测试。