PEARL：面向语义分割的图像去雨对抗鲁棒学习及其预处理增强
计算机视觉与模式识别
2023-05-26 v1
摘要
鉴于语义分割任务的开发与应用取得重大进展，提升分割模型对自然退化因素（如雨纹）或人为攻击因素（如对抗攻击）的鲁棒性日益受到关注。然而，现有多数方法旨在应对单一退化因素，并针对特定应用场景定制。本工作中，我们首次尝试通过同时处理不同类型退化因素来提升语义分割任务的鲁棒性。具体而言，基于我们分析提出的朴素对抗训练（NAT）框架，引入了预处理增强对抗鲁棒学习（PEARL）框架。我们的方法通过将分割模型的鲁棒性迁移至图像去雨模型，有效处理了雨纹与对抗扰动。此外，不同于常用的负向对抗攻击（NAA），我们设计了辅助镜像攻击（AMA），在PEARL框架训练前引入正向信息先验，从而提升防御能力与分割性能。基于不同去雨方法与分割模型的大量实验及消融研究证明，PEARL结合AMA在防御各类对抗攻击与雨纹方面性能显著提升，同时在跨数据集上保持高泛化性能。
引用
@article{arxiv.2305.15709,
title = {PEARL: Preprocessing Enhanced Adversarial Robust Learning of Image Deraining for Semantic Segmentation},
author = {Xianghao Jiao and Yaohua Liu and Jiaxin Gao and Xinyuan Chu and Risheng Liu and Xin Fan},
journal= {arXiv preprint arXiv:2305.15709},
year = {2023}
}