超越分数变化：从两个角度对无参考图像质量评估的对抗攻击
图像与视频处理
2024-04-25 v2 计算机视觉与模式识别
摘要
深度神经网络在无参考图像质量评估（NR-IQA）中取得了显著成功。然而，最近的研究强调了NR-IQA模型对细微对抗扰动的脆弱性，导致模型预测与主观评分不一致。当前的对抗攻击侧重于扰动单个图像的预测分数，忽略了整个图像集内分数间相关关系的关键方面。同时，值得注意的是，相关性（如排序相关性）在NR-IQA任务中起着重要作用。为了全面探索NR-IQA模型的鲁棒性，我们引入了一种新的基于相关误差的攻击框架，该框架同时扰动图像集内的相关性和单个图像的分数变化。我们的研究主要关注与排序相关的相关性指标，如斯皮尔曼秩相关系数（SROCC），以及与预测误差相关的指标，如均方误差（MSE）。作为实例，我们提出了一种实用的两阶段SROCC-MSE攻击（SMA），该攻击首先优化整个图像集的目标攻击分数，然后根据这些分数生成对抗样本。实验结果表明，我们的SMA方法不仅显著将SROCC破坏为负值，而且保持了单个图像分数的显著变化。同时，它在不同类别的指标上表现出最先进的性能。我们的方法为NR-IQA模型的鲁棒性提供了新的视角。
引用
@article{arxiv.2404.13277,
title = {Beyond Score Changes: Adversarial Attack on No-Reference Image Quality Assessment from Two Perspectives},
author = {Chenxi Yang and Yujia Liu and Dingquan Li and Yan Zhong and Tingting Jiang},
journal= {arXiv preprint arXiv:2404.13277},
year = {2024}
}
备注
Submitted to a conference