論文の概要: Adversarial Color Enhancement: Generating Unrestricted Adversarial
Images by Optimizing a Color Filter
- arxiv url: http://arxiv.org/abs/2002.01008v3
- Date: Sun, 9 Aug 2020 18:23:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 09:16:06.662240
- Title: Adversarial Color Enhancement: Generating Unrestricted Adversarial
Images by Optimizing a Color Filter
- Title(参考訳): 相関色強調:カラーフィルタの最適化による非制限逆画像の生成
- Authors: Zhengyu Zhao, Zhuoran Liu, Martha Larson
- Abstract要約: 本稿では,ニューラルネットワークを誤分類に用いた逆効果を生成するために,カラーフィルタを用いた画像強調手法を提案する。
提案手法であるACE(Adversarial Color Enhancement)は,勾配降下によるカラーフィルタの最適化により,非制限逆画像を生成する。
- 参考スコア(独自算出の注目度): 5.682107851677069
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We introduce an approach that enhances images using a color filter in order
to create adversarial effects, which fool neural networks into
misclassification. Our approach, Adversarial Color Enhancement (ACE), generates
unrestricted adversarial images by optimizing the color filter via gradient
descent. The novelty of ACE is its incorporation of established practice for
image enhancement in a transparent manner. Experimental results validate the
white-box adversarial strength and black-box transferability of ACE. A range of
examples demonstrates the perceptual quality of images that ACE produces. ACE
makes an important contribution to recent work that moves beyond $L_p$
imperceptibility and focuses on unrestricted adversarial modifications that
yield large perceptible perturbations, but remain non-suspicious, to the human
eye. The future potential of filter-based adversaries is also explored in two
directions: guiding ACE with common enhancement practices (e.g., Instagram
filters) towards specific attractive image styles and adapting ACE to image
semantics. Code is available at https://github.com/ZhengyuZhao/ACE.
- Abstract(参考訳): 本稿では,ニューラルネットワークを誤分類する逆効果を生成するために,カラーフィルタを用いた画像拡張手法を提案する。
提案手法であるACE(Adversarial Color Enhancement)は,勾配降下によるカラーフィルタの最適化により,非制限逆画像を生成する。
ACEの新規性は、透明な画像強調のための確立された実践の取り入れである。
実験によりACEの白色箱対向強度と黒箱移動性について検証した。
さまざまな例がACEが生成する画像の知覚的品質を示している。
ACEは、L_p$非受容性を超えた最近の研究に重要な貢献をし、大きな知覚的摂動をもたらすが、人間の目には目立たないような、制限のない敵の修正に焦点を当てている。
フィルタベースの敵の今後の可能性についても,共通の拡張プラクティス(Instagramフィルタなど)でACEを特定の魅力的なイメージスタイルに導くこと,イメージセマンティクスにACEを適用すること,の2つの方向が検討されている。
コードはhttps://github.com/zhengyuzhao/aceで入手できる。
関連論文リスト
- Semantic-Aligned Adversarial Evolution Triangle for High-Transferability Vision-Language Attack [51.16384207202798]
視覚言語事前学習モデルは多モーダル逆例(AE)に対して脆弱である
従来のアプローチでは、画像とテキストのペアを拡大して、敵対的なサンプル生成プロセス内での多様性を高めている。
本稿では, 敵の多様性を高めるために, クリーン, ヒストリ, および現在の敵の例からなる敵の進化三角形からのサンプリングを提案する。
論文 参考訳(メタデータ) (2024-11-04T23:07:51Z) - Multiple Latent Space Mapping for Compressed Dark Image Enhancement [51.112925890246444]
既存の暗黒画像強調手法は、圧縮された暗黒画像を入力とし、優れた性能を実現する。
可変オートエンコーダ(VAE)に基づく新しい潜時マッピングネットワークを提案する。
総合的な実験により,提案手法は圧縮暗画像強調における最先端性能を実現することを示した。
論文 参考訳(メタデータ) (2024-03-12T13:05:51Z) - Deep Intra-Image Contrastive Learning for Weakly Supervised One-Step
Person Search [98.2559247611821]
本稿では,シームズネットワークを用いた画像内コントラスト学習について述べる。
本手法は,弱教師付きワンステップ人物探索手法の最先端性能を実現する。
論文 参考訳(メタデータ) (2023-02-09T12:45:20Z) - Towards Vivid and Diverse Image Colorization with Generative Color Prior [17.087464490162073]
最近のディープラーニングベースの手法は、画像のカラー化を低コストで行うことができる。
我々は,事前学習されたGAN(Generative Adversarial Networks)にカプセル化されている,豊かで多様な色を活かして鮮やかな色を復元することを目的としている。
先進的なデザインと繊細なデザインの強力な生成色のおかげで、我々の手法は1つの前進パスで鮮やかな色を作り出すことができた。
論文 参考訳(メタデータ) (2021-08-19T17:49:21Z) - Enhancing Underwater Image via Adaptive Color and Contrast Enhancement,
and Denoising [2.298932494750101]
水中画像強調のためのアダプティブカラーとコントラスト強調、およびACCE-D(Denoising)フレームワークを提案する。
我々は,acceの数値解法を導出し,解法を高速化するためにピラミッド型戦略を採用する。
実験の結果,提案手法は色補正,視認性向上,詳細表示に有効であることがわかった。
論文 参考訳(メタデータ) (2021-04-02T14:37:20Z) - Error Diffusion Halftoning Against Adversarial Examples [85.11649974840758]
敵対的な例には、深いニューラルネットワークを誤った予測にだますことができる慎重に作られた摂動が含まれます。
誤り拡散のハーフトン化に基づく新しい画像変換防御を提案し、逆転の例に対して防御するための逆転訓練と組み合わせます。
論文 参考訳(メタデータ) (2021-01-23T07:55:02Z) - Essential Features: Reducing the Attack Surface of Adversarial
Perturbations with Robust Content-Aware Image Preprocessing [5.831840281853604]
画像に摂動を加えることで、機械学習モデルを騙して誤った予測をすることができる。
このような摂動に対する防御の1つのアプローチは、摂動の影響を取り除くために画像前処理関数を適用することである。
本稿では,イメージをロバストな特徴空間に変換する,Essential Featuresと呼ばれる新しい画像前処理手法を提案する。
論文 参考訳(メタデータ) (2020-12-03T04:40:51Z) - Adversarial Image Color Transformations in Explicit Color Filter Space [5.682107851677069]
逆色フィルタ(AdvCF)は、単純な色フィルタのパラメータ空間の勾配情報に最適化された新しい色変換攻撃である。
本稿では,AdvCFが画像の受容性と効率の両面において,最先端の人間解釈可能な色変換攻撃よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-12T23:51:37Z) - Boosting Gradient for White-Box Adversarial Attacks [60.422511092730026]
そこで本研究では,ADV-ReLUと呼ばれる,勾配に基づくホワイトボックス攻撃アルゴリズムの性能向上を目的とした,汎用的な逆例生成手法を提案する。
提案手法では,損失関数とネットワーク入力の勾配を算出し,その値をスコアにマップし,その一部を選択して誤導勾配を更新する。
論文 参考訳(メタデータ) (2020-10-21T02:13:26Z) - Color and Edge-Aware Adversarial Image Perturbations [0.0]
対向摂動を構成するための2つの新しい手法を開発した。
Edge-Aware法は、画像の滑らかな領域で許容される摂動の大きさを減らす。
Color-Aware と Edge-Aware のメソッドも同時に実装できる。
論文 参考訳(メタデータ) (2020-08-28T03:02:20Z) - Creating Artificial Modalities to Solve RGB Liveness [79.9255035557979]
我々は,スプーフ検出のためのエンドツーエンドパイプラインと組み合わせて,ランクプーリングと光流の2種類の人工変換を導入する。
提案手法は, 最大のクロスセクニティ対面アンチスプーフィングデータセットCASIA-SURF CeFA (RGB) の最先端化を実現する。
論文 参考訳(メタデータ) (2020-06-29T13:19:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。