FS-IQA：用于稳健图像质量评估的认证特征平滑
计算机视觉与模式识别
2025-08-08 v1
摘要
我们提出了一种新的认证防御方法，用于图像质量评估（IQA）模型，基于在特征空间而非输入空间上施加噪声的随机平滑。与先前方法不同的是，后者直接向输入图像中注入高斯噪声，常常会降低视觉质量，而我们的方法在保持图像保真度的同时提供了鲁棒性保证。为正式将特征空间中的噪声水平与相应的输入空间扰动相联系，我们分析了主干网络雅可比矩阵的最大奇异值。我们的方法同时支持全参考（FR）和无参考（NR）IQA 模型，无需进行任何架构修改，适用于各种场景。此方法也具有计算效率高的优势，仅需对每张图像进行一次主干前向传播。与以前的方法相比，在不进行认证的情况下，推理时间缩短了 99.5%，在进行认证的情况下缩短了 20.6%。我们在两个基准数据集上进行了大量实验，涉及六个广泛使用的 FR 和 NR IQA 模型，并与五种最先进的认证防御方法进行了比较。我们的结果显示，在与主观质量分数相关性方面，方法一致性提高了最高可达 30.9%。
引用
@article{arxiv.2508.05516,
title = {FS-IQA: Certified Feature Smoothing for Robust Image Quality Assessment},
author = {Ekaterina Shumitskaya and Dmitriy Vatolin and Anastasia Antsiferova},
journal= {arXiv preprint arXiv:2508.05516},
year = {2025}
}