利用先验知识蒸馏增强对抗训练以实现鲁棒图像压缩
图像与视频处理
2024-03-19 v2
摘要
基于深度神经网络的图像压缩（NIC）已取得优异性能，但 NIC 方法模型已被证明易受后门攻击。对抗训练已被验证为增强图像压缩模型鲁棒性的常用方法。然而，对抗训练对模型鲁棒性的提升效果有限。在本文中，我们提出了一种用于图像压缩模型的先验知识引导对抗训练框架。具体而言，首先，我们提出了一种用于训练鲁棒教师模型的梯度正则化约束。随后，我们设计了一种基于知识蒸馏的策略，从教师模型生成先验知识传递给学生模型，以指导对抗训练。实验结果表明，当选择 Kodak 数据集作为 PSNR 攻击的后门攻击对象时，我们的方法将重建质量提高了约 9dB。与 Ma2023 相比，我们的方法在高码率点的 PSNR 输出高出 5dB。
引用
@article{arxiv.2403.06700,
title = {Enhancing Adversarial Training with Prior Knowledge Distillation for Robust Image Compression},
author = {Zhi Cao and Youneng Bao and Fanyang Meng and Chao Li and Wen Tan and Genhong Wang and Yongsheng Liang},
journal= {arXiv preprint arXiv:2403.06700},
year = {2024}
}