T-MLA：面向神经图像压缩的针对性多尺度对数指数攻击框架
计算机视觉与模式识别
2026-02-03 v2 数值分析
数值分析
摘要
神经图像压缩(NIC)已成为率失真性能的最先进技术，但其安全漏洞的理解程度远低于分类器。现有的针对NIC的对抗性攻击通常是像素空间方法的简单改编，忽略了压缩流水线独特的结构化特性。在这项工作中，我们通过引入T-MLA（首个针对性的多尺度对数指数攻击框架）提出了一类更高级的漏洞。我们在小波域中引入对抗性扰动，这些扰动集中在感知显著性较低的系数上，从而提高了攻击的隐蔽性。在标准图像压缩基准上对多个最先进的NIC架构进行的广泛评估显示，重建质量大幅下降，而扰动在视觉上仍不可察觉。在标准NIC基准上，与PGD风格的基线相比，T-MLA在实现可比攻击成功率的同时，实现了重建质量的针对性退化，并提高了扰动的不可感知性（扰动输入的更高PSNR/VIF），正如我们的主要结果所总结的。我们的发现揭示了生成和内容交付流水线核心的一个关键安全缺陷。
引用
@article{arxiv.2511.01079,
title = {T-MLA: A targeted multiscale log-exponential attack framework for neural image compression},
author = {Nikolay I. Kalmykov and Razan Dibo and Kaiyu Shen and Xu Zhonghan and Anh-Huy Phan and Yipeng Liu and Ivan Oseledets},
journal= {arXiv preprint arXiv:2511.01079},
year = {2026}
}
备注
v2: published in Information Sciences (Vol. 738, 2026). DOI: 10.1016/j.ins.2026.123143. Minor edits; added publication info