迈向对抗鲁棒的深度图像去噪
图像与视频处理
2022-01-14 v2 计算机视觉与模式识别
机器学习
摘要
本工作系统性地研究了深度图像去噪器（DID）的对抗鲁棒性，即DID能从被对抗扰动退化的含噪观测中恢复真实图像的能力。首先，为评估DID的鲁棒性，我们提出一种新颖的对抗攻击，即基于观测的零均值攻击（{\sc ObsAtk}），以在给定含噪图像上构造对抗性零均值扰动。我们发现现有DID易受{\sc ObsAtk}生成的对抗噪声攻击。其次，为增强DID的鲁棒性，我们提出一种对抗训练策略，混合对抗训练（{\sc HAT}），其利用对抗与非对抗含噪数据联合训练DID，以确保重建质量高且非对抗数据附近的去噪器局部平滑。所得的DID可有效去除多种合成与对抗噪声。我们还揭示DID的鲁棒性有助于其在未知真实世界噪声上的泛化能力。事实上，即便未使用真实含噪数据训练，{\sc HAT}训练的DID也能从真实世界噪声中恢复高质量干净图像。在包括Set68、PolyU和SIDD在内的基准数据集上的大量实验证实了{\sc ObsAtk}与{\sc HAT}的有效性。
引用
@article{arxiv.2201.04397,
title = {Towards Adversarially Robust Deep Image Denoising},
author = {Hanshu Yan and Jingfeng Zhang and Jiashi Feng and Masashi Sugiyama and Vincent Y. F. Tan},
journal= {arXiv preprint arXiv:2201.04397},
year = {2022}
}