MALICE：针对学习型图像压缩的操纵攻击
计算机视觉与模式识别
2022-08-24 v2 人工智能
密码学与安全
机器学习
摘要
深度学习技术在图像压缩方面已展现出有前景的结果，在压缩隐变量下具有竞争力的码率与图像重建质量。然而，尽管图像压缩已朝着更高的峰值信噪比（PSNR）和更少的每像素比特数（bpp）发展，它们对对抗图像的鲁棒性却从未受到审视。在这项工作中，我们首次研究了图像压缩系统的鲁棒性，其中输入图像的不可感知扰动可引发其压缩隐变量码率的显著增加。为刻画最先进学习型图像压缩的鲁棒性，我们发起了白盒与黑盒攻击。我们的白盒攻击在码流的熵估计上采用快速梯度符号法作为其码率近似。我们提出 DCT-Net，以架构简洁与轻量训练模拟 JPEG 压缩，作为黑盒攻击中的替代模型，并实现快速的对抗可迁移性。我们在六个图像压缩模型（每个具有六种不同码率质量，共三十六个模型）上的结果表明它们出奇地脆弱，其中白盒攻击实现高达 56.326 倍、黑盒攻击 1.947 倍的 bpp 变化。为提升鲁棒性，我们提出一种新颖的压缩架构 factorAtn，其融合了注意力模块与基础因子化熵模型，从而在率失真性能与对抗攻击鲁棒性之间实现了超越现有学习型图像压缩器的有前景的权衡。
引用
@article{arxiv.2205.13253,
title = {MALICE: Manipulation Attacks on Learned Image ComprEssion},
author = {Kang Liu and Di Wu and Yiru Wang and Dan Feng and Benjamin Tan and Siddharth Garg},
journal= {arXiv preprint arXiv:2205.13253},
year = {2022}
}