探索无参考图像质量评估模型的脆弱性：一种基于查询的黑盒方法
计算机视觉与模式识别
2024-04-29 v3 图像与视频处理
摘要
无参考图像质量评估（NR-IQA）旨在预测与人类感知一致的图像质量分数，而不依赖于原始参考图像，是各种视觉任务中的关键组成部分。确保 NR-IQA 方法的鲁棒性对于可靠地比较不同的图像处理技术和在推荐系统中提供一致的用户体验至关重要。针对 NR-IQA 的攻击方法为测试 NR-IQA 的鲁棒性提供了强有力的工具。然而，当前的 NR-IQA 攻击方法严重依赖于 NR-IQA 模型的梯度，当梯度信息不可用时会导致局限性。在本文中，我们提出了一种开创性的基于查询的黑盒攻击方法来对抗 NR-IQA 方法。我们提出了分数边界的概念，并利用了一种具有多重分数边界的自适应迭代方法。同时，初始攻击方向也被设计来利用人类视觉系统（HVS）的特性。实验表明，我们的方法优于所有比较的最先进攻击方法，并且远远领先于先前的黑盒方法。有效的 NR-IQA 模型 DBCNN 在我们的方法攻击下，其 Spearman 等级相关系数（SROCC）下降了 0.6381，揭示了 NR-IQA 模型对黑盒攻击的脆弱性。所提出的攻击方法也为进一步探索 NR-IQA 鲁棒性提供了一个有力的工具。
引用
@article{arxiv.2401.05217,
title = {Exploring Vulnerabilities of No-Reference Image Quality Assessment Models: A Query-Based Black-Box Method},
author = {Chenxi Yang and Yujia Liu and Dingquan Li and Tingting Jiang},
journal= {arXiv preprint arXiv:2401.05217},
year = {2024}
}