针对无参考图像质量评估模型的可迁移签名性集成高斯黑盒攻击——SEGA
计算机视觉与模式识别
2026-01-30 v2
摘要
无参考图像质量评估（NR-IQA）模型在诸多实际应用中发挥着重要作用。最近，针对 NR-IQA 模型的对抗攻击引起日益关注，因为它们为揭示模型漏洞并指导健壮系统设计提供了有价值的见解。一些有效的攻击方法针对 NR-IQA 模型在白盒设置下提出，其中攻击者对目标模型拥有完全访问权限。但这些攻击常常在更现实的黑盒场景中表现出差异的可迁移性，即目标模型不可访问。本工作首次尝试通过提出可迁移的签名性集成高斯黑盒攻击（SEGA）来解决 NR-IQA 模型攻击低可迁移性的挑战。其主要思想是通过对源模型应用高斯平滑处理并综合其平滑梯度来近似估算目标模型的梯度。为确保对抗扰动的不可见性，SEGA 进一步使用专设计的扰动滤波掩码删除不合适的扰动。在 CLIVE 数据集上的实验结果表明，SEGA 在可迁移性方面具有优势，验证了其在 NR-IQA 模型上实现成功基于迁移的黑盒攻击的有效性。
引用
@article{arxiv.2509.18546,
title = {SEGA: A Transferable Signed Ensemble Gaussian Black-Box Attack against No-Reference Image Quality Assessment Models},
author = {Yujia Liu and Dingquan Li and Zhixuan Li and Tiejun Huang},
journal= {arXiv preprint arXiv:2509.18546},
year = {2026}
}