针对可微无参考图像与视频质量指标的通用扰动攻击
计算机视觉与模式识别
2022-11-02 v1 多媒体
摘要
通用对抗扰动攻击被广泛用于分析采用卷积神经网络的图像分类器。如今，一些攻击可以欺骗图像和视频质量指标。因此，对这些指标的可持续性分析十分重要。事实上，如果一种攻击能够混淆该指标，攻击者便可轻易提高质量分数。当图像和视频算法的开发者可以通过分离处理来提升其分数时，算法间的比较便不再公平。受分类器通用对抗扰动思想的启发，我们提出了一种通过通用扰动攻击可微无参考质量指标的新方法。我们将该方法应用于七种无参考图像和视频质量指标（PaQ-2-PiQ、Linearity、VSFA、MDTVSFA、KonCept512、Nima 和 SPAQ）。对每一种指标，我们训练了一个提高其相应分数的通用扰动。我们还提出了一种评估指标稳定性的方法，并识别了最易受攻击和最抗攻击的指标。成功通用扰动的存在似乎削弱了指标提供可靠分数的能力。因此，我们推荐将所提方法作为对传统主观测试和基准测试的补充，用于指标可靠性的额外验证。
引用
@article{arxiv.2211.00366,
title = {Universal Perturbation Attack on Differentiable No-Reference Image- and Video-Quality Metrics},
author = {Ekaterina Shumitskaya and Anastasia Antsiferova and Dmitriy Vatolin},
journal= {arXiv preprint arXiv:2211.00366},
year = {2022}
}
备注
BMVC 2022