控制您的视角: 学习图像压缩中的高分辨率全局语义操控

学习图像压缩（Learned Image Compression, LIC）将深度神经网络（DNN）映射到高维图像中，以压缩潜在表征，减少冗余并在良好环境下实现优异的速率失真（RD）性能。不幸的是，由于DNN的内在脆弱性，LIC系统易受对抗性扰动的影响，导致下游性能下降、压缩率退化、非针对性失真，以及局部语义操控（LSM）和低分辨率（$3\times28\times28$）全局语义操控（GSM）。然而，高分辨率GSM尚未得到探索，由于其不可行性。值得注意的是，现有的投入梯度下降（Projected Gradient Descent, PGD）方法在分类、分割等任务中实现近乎完美的白盒攻击，却未能推广到高分辨率GSM。我们的理论和实证分析揭示，良好性能的GSM将对抗样本从Identity Region推进到Amplification Region，通过Lazying-Oscillating-Refining阶段。由于步长方案无法适应Oscillating和Refining阶段，通用的$\ell_{\infty}$有界攻击在高分辨率GSM上失败。基于此，我们提出周期几何衰减方案，使$\ell_{\infty}$有界的高分辨率GSM成为可能。为验证我们的ethods，我们将其集成到PGD中，得到一个最小变体PGD$^{2}$-GSM。在Kodak（$3\times768\times512$）上的大量实验表明，我们的PGD$^{2}$-GSM是首次稳定实现高分辨率GSM，从而暴露了LIC系统的新威胁。代码可在https://github.com/chinaliangjiaming/PGD2-GSM获取。