基于对抗攻击的深度图像去噪模型相似度与鲁棒性评估
计算机视觉与模式识别
2026-05-01 v2 机器学习
图像与视频处理
摘要
深度神经网络（DNNs）相比传统图像去噪算法表现出了更优的性能。然而，DNNs在面对对抗攻击时不可避免地存在脆弱性。本文提出一种名为denoising-PGD的对抗攻击方法，该方法能够在保持噪声分布几乎不变的同时成功攻击当前所有深度去噪模型。我们惊讶地发现，当前主流的非盲去噪模型（DnCNN、FFDNet、ECNDNet、BRDNet）、盲去噪模型（DnCNN-B、Noise2Noise、RDDCNN-B、FAN）、即插即用模型（DPIR、CurvPnP）以及展开式去噪模型（DeamNet）在灰度图像和彩色图像上分别几乎共享同一对抗样本集。共享对抗样本集表明，所有这些模型在所有测试样本邻域内的局部行为上具有相似性。因此，我们进一步提出一种衡量模型局部相似度的指标，称为鲁棒相似度（robustness similitude）。研究发现非盲去噪模型彼此之间具有高度鲁棒相似度，而混合驱动模型与非盲纯数据驱动去噪模型之间也具有高度鲁棒相似度。根据我们的鲁棒性评估，数据驱动的非盲去噪模型最为鲁棒。我们采用对抗训练来弥补其对对抗攻击的脆弱性。此外，模型驱动的图像去噪方法BM3D表现出对对抗攻击的抵抗能力。
引用
@article{arxiv.2306.16050,
title = {Evaluating Similitude and Robustness of Deep Image Denoising Models via Adversarial Attack},
author = {Jie Ning and Jiebao Sun and Yao Li and Zhichang Guo and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2306.16050},
year = {2026}
}