R-LPIPS：一种对抗鲁棒的感知相似度度量
计算机视觉与模式识别
2023-08-01 v2 机器学习
图像与视频处理
摘要
相似度度量在计算机视觉中发挥着重要作用，用于捕捉图像的内在语义。近年来，先进的相似度度量方法不断涌现，例如学习感知图像块相似度（Learned Perceptual Image Patch Similarity，LPIPS）。这些度量利用从训练好的神经网络中提取的深度特征，在评估相对图像相似度时展现出与人类感知高度一致的卓越能力。然而，众所周知，神经网络易受对抗样本的影响，即人类不可察觉的微小扰动被精心构造以故意误导模型。因此，LPIPS度量也对这类对抗样本敏感。这种敏感性带来了显著的安全隐患，尤其是考虑到LPIPS在大规模应用中的广泛采用。本文提出鲁棒学习感知图像块相似度（Robust Learned Perceptual Image Patch Similarity，R-LPIPS）度量，一种利用对抗训练深度特征的新度量。通过一套全面的实验，我们证明了R-LPIPS相对于经典LPIPS度量的优越性。代码可在 https://github.com/SaraGhazanfari/R-LPIPS 获取。
引用
@article{arxiv.2307.15157,
title = {R-LPIPS: An Adversarially Robust Perceptual Similarity Metric},
author = {Sara Ghazanfari and Siddharth Garg and Prashanth Krishnamurthy and Farshad Khorrami and Alexandre Araujo},
journal= {arXiv preprint arXiv:2307.15157},
year = {2023}
}