利用梯度范数正则化防御无参考图像质量模型的对抗攻击

无参考图像质量评估（NR-IQA）的任务是在没有额外信息的情况下估计输入图像的质量分数。NR-IQA 模型在媒体行业中扮演着至关重要的角色，辅助性能评估和优化指导。然而，研究发现这些模型容易受到对抗攻击的影响，这些攻击向输入图像引入不可感知的扰动，导致预测分数发生显著变化。在本文中，我们提出了一种防御方法，以提高在受到小扰动攻击时预测分数的稳定性，从而增强 NR-IQA 模型的对抗鲁棒性。具体而言，我们给出了理论证据，表明分数变化的幅度与模型关于输入图像梯度的 $\ell_1$ 范数相关。基于这一理论基础，我们提出了一种旨在减小梯度 $\ell_1$ 范数的范数正则化训练策略，从而提升 NR-IQA 模型的鲁棒性。在四个 NR-IQA 基线模型上进行的实验证明了我们策略在对抗攻击存在时减少分数变化的有效性。据我们所知，这项工作标志着防御 NR-IQA 模型对抗攻击的首次尝试。我们的研究为 NR-IQA 模型的对抗鲁棒性提供了有价值的见解，并为该领域的未来研究奠定了基础。