比较现代无参考图像与视频质量度量对对抗攻击的鲁棒性
计算机视觉与模式识别
2024-02-28 v4 机器学习
多媒体
图像与视频处理
摘要
如今，基于神经网络的图像和视频质量度量优于传统方法。然而，它们也变得更容易受到对抗攻击，这类攻击在不改善视觉质量的情况下提升度量分数。现有的质量度量基准从与主观质量的相关性和计算时间方面比较其性能。尽管如此，图像质量度量的对抗鲁棒性也是值得研究的领域。本文分析了现代度量对不同对抗攻击的鲁棒性。我们改编了计算机视觉任务中的对抗攻击，并比较了攻击对 15 种无参考图像和视频质量度量的效率。部分度量显示出对对抗攻击的高抗性，这使得它们在基准中使用比脆弱度量更安全。该基准接受新度量的提交，供希望使其度量更鲁棒于攻击或为其需求寻找此类度量的研究者使用。最新结果可在线查阅：https://videoprocessing.ai/benchmarks/metrics-robustness.html。
引用
@article{arxiv.2310.06958,
title = {Comparing the Robustness of Modern No-Reference Image- and Video-Quality Metrics to Adversarial Attacks},
author = {Anastasia Antsiferova and Khaled Abud and Aleksandr Gushchin and Ekaterina Shumitskaya and Sergey Lavrushkin and Dmitriy Vatolin},
journal= {arXiv preprint arXiv:2310.06958},
year = {2024}
}