面向对抗攻击的鲁棒去雨：综合基准分析及其超越
计算机视觉与模式识别
2022-04-01 v1 密码学与安全
摘要
去雨旨在从图像/视频中去除雨纹并减轻雨造成的破坏性影响。它不仅提升图像/视频可见性，还使许多计算机视觉算法正常运行。本文首次尝试对基于深度学习的去雨方法在对抗攻击下的鲁棒性进行综合分析。研究表明，当图像/视频退化严重时，去雨方法更易受对抗攻击影响，因为微小失真/扰动变得更难被察觉或检测。本文首先从人类感知与机器分析任务视角，对不同攻击级别、不同损失/目标生成扰动下的多种方法进行综合实证评估。针对现有方法中的关键模块，系统评估了其对抗攻击的鲁棒性。基于分析所得见解，我们整合这些有效模块构建了一种更鲁棒的去雨方法。最后，我们考察了针对去雨问题特有的多种对抗攻击类型及其对人类与机器视觉任务的影响，包括：1）雨区攻击，仅在雨区添加扰动以使受攻击雨图中的扰动更不易可见；2）对象敏感攻击，仅在给定对象附近区域添加扰动。代码见 https://github.com/yuyi-sd/Robust_Rain_Removal。
引用
@article{arxiv.2203.16931,
title = {Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive Benchmark Analysis and Beyond},
author = {Yi Yu and Wenhan Yang and Yap-Peng Tan and Alex C. Kot},
journal= {arXiv preprint arXiv:2203.16931},
year = {2022}
}
备注
10 pages, 6 figures, to appear in CVPR 2022