针对视频插值模型的帧间加速攻击
计算机视觉与模式识别
2023-05-12 v1
摘要
基于深度学习的视频帧插值(VIF)方法旨在合成中间帧以提升视频质量,在过去几年中得到了高度发展。本文研究 VIF 模型的对抗鲁棒性。我们对 VIF 模型施加对抗攻击,发现 VIF 模型极易受到对抗样本的攻击。为提高攻击效率,我们建议充分利用视频帧插值任务的性质。其直觉在于相邻帧之间的间隙较小,从而导致相应的对抗扰动也相似。随后我们提出一种名为帧间加速攻击(Inter-frame Accelerate Attack, IAA)的新型攻击方法,该方法将扰动初始化为前一相邻帧的扰动并减少攻击迭代次数。结果表明,我们的方法在取得与传统方法相当攻击性能的同时,能大幅提升攻击效率。此外,我们还将该方法扩展到作为更高层视觉任务的视频识别模型,并取得了很高的攻击效率。
引用
@article{arxiv.2305.06540,
title = {Inter-frame Accelerate Attack against Video Interpolation Models},
author = {Junpei Liao and Zhikai Chen and Liang Yi and Wenyuan Yang and Baoyuan Wu and Xiaochun Cao},
journal= {arXiv preprint arXiv:2305.06540},
year = {2023}
}