尽快修正你的下采样！通过无混叠与无频谱伪影池化实现原生更强的鲁棒性
计算机视觉与模式识别
2025-09-24 v2 图像与视频处理
摘要
卷积神经网络(CNNs)在各种计算机视觉任务中取得了成功。从图像与信号处理的角度看，这一成功有违直觉，因为大多数 CNN 固有的空间金字塔设计在其下采样操作中明显违背了基本信号处理定律，即采样定理。该问题长期被广泛忽视，直到近期在对抗攻击与分布偏移背景下的工作表明，CNN 的脆弱性与违背带限的下采样所引起的混叠伪影之间存在强相关性。作为补救，我们提出了频域中的无混叠下采样操作，称为频率低截池化(FLC Pooling)，并进一步扩展为无混叠与无 sinc 伪影池化(ASAP)。ASAP 无混叠并消除了 sinc 插值带来的进一步伪影。我们在 ImageNet-1k、ImageNet-C 和 CIFAR 数据集上对各种 CNN 架构的实验评估表明，使用 FLC Pooling 和 ASAP 作为下采样方法的网络学习到更稳定的特征，这体现在其对常见腐蚀与对抗攻击的鲁棒性上，同时保持与相应基线模型相近的干净准确率。
引用
@article{arxiv.2307.09804,
title = {Fix your downsampling ASAP! Be natively more robust via Aliasing and Spectral Artifact free Pooling},
author = {Julia Grabinski and Steffen Jung and Janis Keuper and Margret Keuper},
journal= {arXiv preprint arXiv:2307.09804},
year = {2025}
}