抗对抗攻击的鲁棒真实世界图像超分辨率

近年来深度神经网络（DNNs）在真实世界图像超分辨率（SR）中取得了显著成功。然而，带有近乎不可察觉噪声的对抗图像样本可能威胁深度学习 SR 模型。在本文中，我们提出了一种用于真实世界 SR 的鲁棒深度学习框架，该框架在输入图像或特征的频率域中随机擦除潜在的对抗噪声。其原理是，在 SR 任务中，干净图像或特征在频率域中具有与受攻击图像或特征不同的模式。观察到现有的对抗攻击通常向输入图像添加高频噪声，我们引入了一种新颖的随机频率掩码模块，以随机方式阻断可能包含有害扰动的高频分量。由于频率掩码不仅可能破坏对抗扰动，还可能影响干净图像中的锐利细节，我们进一步开发了一种基于图像频率域的对抗样本分类器，以决定是否应用所提出的掩码模块。基于上述思想，我们设计了一种新颖的真实世界图像 SR 框架，将所提出的频率掩码模块和所提出的对抗分类器与现有的超分辨率骨干网络相结合。实验表明，与现有模型和防御方法相比，我们提出的方法对对抗攻击更不敏感，并呈现出更稳定的 SR 结果。