针对深度图像压缩的鲁棒性与可迁移性后门攻击：基于选择性频率先验

近期深度学习压缩技术的快速发展超越了传统方法。然而，深度神经网络仍然容易受到后门攻击，攻击者可通过预定义的触发器诱导恶意行为。本文引入一种新颖的基于频率的触发器注入模型，用于对学习图像压缩模型发动多触发器后门攻击。灵感来源于压缩编解码器中广泛使用的离散余弦变换（DCT），触发器嵌入在DCT域中。我们设计了针对不同情景的攻击目标，包括：1）以比特率和重建精度为指标的压缩质量下降；2）针对人脸识别和语义分割等任务驱动的度量标准。为提高训练效率，我们提出了一种动态损失函数，在平衡损失项时无需大量超参数，有效优化攻击目标。对于高级情景，我们评估了攻击对防御性预处理的抵抗力，并提出了两阶段训练计划，通过稳健频率选择增强韧性。为提高跨模型和跨域的迁移性，我们在攻击损失中调整分类边界。实验表明， our触发器注入模型结合对编码器参数的少量修改，成功将多个后门及其触发器注入单个压缩模型，显示出卓越的性能和灵活性。