论 GAN 质量度量的鲁棒性
机器学习
2022-07-21 v2
摘要
本工作评估了生成模型质量度量（如 Inception Score (IS) 与 Fréchet Inception Distance (FID)）的鲁棒性。类似于深度模型面对多种对抗攻击时的脆弱性，我们表明此类度量同样可被加性像素扰动所操纵。我们的实验表明，可以生成得分很高但感知质量很低的图像分布。反之，可以优化出微小的不可感知扰动，将其加至真实图像上时会劣化其得分。我们进一步将评估扩展到生成模型本身，包括当前最优网络 StyleGANv2。我们展示了生成模型与 FID 在隐空间中对加性扰动的脆弱性。最后，我们表明仅需将标准 Inception 替换为鲁棒 Inception 即可使 FID 变得鲁棒。我们通过大量实验验证了该鲁棒化度量的有效性，表明其对抗操纵更为鲁棒。
引用
@article{arxiv.2201.13019,
title = {On the Robustness of Quality Measures for GANs},
author = {Motasem Alfarra and Juan C. Pérez and Anna Frühstück and Philip H. S. Torr and Peter Wonka and Bernard Ghanem},
journal= {arXiv preprint arXiv:2201.13019},
year = {2022}
}
备注
Accepted at the European Conference in Computer Vision (ECCV 2022)