针对图像质量评估模型的黑盒对抗攻击
计算机视觉与模式识别
2024-02-29 v2 图像与视频处理
摘要
无参考图像质量评估（NR-IQA）的目标是预测与主观评价一致的图像感知质量。为了将 NR-IQA 模型投入实际应用，研究其潜在漏洞以进行模型优化至关重要。本文首次尝试探索针对 NR-IQA 模型的黑盒对抗攻击。具体而言，我们首先将攻击问题公式化为最大化原始图像与扰动图像的估计质量分数之间的偏差，同时限制扰动图像的失真以保留视觉质量。在此公式下，我们设计了一个双向损失函数，以误导对抗样本的估计质量分数朝相反方向产生最大偏差。在此基础上，我们最终开发了一种针对 NR-IQA 模型的高效且有效的黑盒攻击方法。大量实验表明，所有被评估的 NR-IQA 模型都容易受到所提出的攻击方法的影响。此外，生成的扰动不可迁移，这使得它们能够用于研究不同 IQA 模型的特性。
引用
@article{arxiv.2402.17533,
title = {Black-box Adversarial Attacks Against Image Quality Assessment Models},
author = {Yu Ran and Ao-Xiang Zhang and Mingjie Li and Weixuan Tang and Yuan-Gen Wang},
journal= {arXiv preprint arXiv:2402.17533},
year = {2024}
}