論文の概要: Pasadena: Perceptually Aware and Stealthy Adversarial Denoise Attack

• arxiv url: http://arxiv.org/abs/2007.07097v3
• Date: Tue, 24 Aug 2021 07:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 15:18:07.891987
• Title: Pasadena: Perceptually Aware and Stealthy Adversarial Denoise Attack
• Title（参考訳）: パサデナ:知覚的に認識し、敵対的妄想攻撃
• Authors: Yupeng Cheng, Qing Guo, Felix Juefei-Xu, Wei Feng, Shang-Wei Lin, Weisi Lin, Yang Liu
• Abstract要約: 画像のノイズ化は、低品質の画像センサ、不安定な画像伝送プロセス、または低光条件によって、マルチメディアデバイスが捉えた画像に広く存在するノイズを取り除くことができる。 近年の研究では、画像の分類のような高レベルな視覚タスクには、画像のデノベーションが有用であることが示されている。 本研究では,この共通認識に挑戦し,画像品質を高めつつ,最先端のディープニューラルネットワーク(DNN)を騙すことができるかどうか,という全く新しい問題を探究する。
• 参考スコア（独自算出の注目度）: 45.74991480637961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image denoising can remove natural noise that widely exists in images captured by multimedia devices due to low-quality imaging sensors, unstable image transmission processes, or low light conditions. Recent works also find that image denoising benefits the high-level vision tasks, e.g., image classification. In this work, we try to challenge this common sense and explore a totally new problem, i.e., whether the image denoising can be given the capability of fooling the state-of-the-art deep neural networks (DNNs) while enhancing the image quality. To this end, we initiate the very first attempt to study this problem from the perspective of adversarial attack and propose the adversarial denoise attack. More specifically, our main contributions are three-fold: First, we identify a new task that stealthily embeds attacks inside the image denoising module widely deployed in multimedia devices as an image post-processing operation to simultaneously enhance the visual image quality and fool DNNs. Second, we formulate this new task as a kernel prediction problem for image filtering and propose the adversarial-denoising kernel prediction that can produce adversarial-noiseless kernels for effective denoising and adversarial attacking simultaneously. Third, we implement an adaptive perceptual region localization to identify semantic-related vulnerability regions with which the attack can be more effective while not doing too much harm to the denoising. We name the proposed method as Pasadena (Perceptually Aware and Stealthy Adversarial DENoise Attack) and validate our method on the NeurIPS'17 adversarial competition dataset, CVPR2021-AIC-VI: unrestricted adversarial attacks on ImageNet,etc. The comprehensive evaluation and analysis demonstrate that our method not only realizes denoising but also achieves a significantly higher success rate and transferability over state-of-the-art attacks.
• Abstract（参考訳）: 画像デノイジングは、低品質の撮像センサ、不安定な画像伝送プロセス、あるいは低い光条件により、マルチメディアデバイスで撮影された画像に広く存在する自然ノイズを除去することができる。 近年の研究では、画像の雑音化は、例えば画像分類のような高レベルな視覚タスクに効果があることも判明している。 本研究では,この常識に挑戦し,画像のデノイジングが最先端のディープニューラルネットワーク(dnn)を騙し,画質を高めることができるかどうかという,まったく新しい問題を探求する。 この目的のために,敵の攻撃の観点からこの問題を研究するための最初の試みを開始し,敵の妄想攻撃を提案する。 まず、マルチメディアデバイスに広くデプロイされたイメージデノイジングモジュール内に攻撃をステルスに埋め込む新しいタスクを、画像のポスト処理操作として特定し、視覚的な画像品質と愚かなdnnを同時に向上させます。 第2に,この課題を画像フィルタリングのカーネル予測問題として定式化し,効果的なノイズ除去と逆アタックを同時に行うために,逆ノイズのないカーネルを生成できる逆検出型カーネル予測を提案する。 第三に、攻撃がより効果的になりうるセマンティック関連脆弱性領域を特定するために、適応的な知覚領域ローカライゼーションを実装している。 本稿では,提案手法をPasadena (Perceptually Aware and Stealthy Adversarial DeNoise Attack) と命名し,NeurIPS'17逆競合データセット(CVPR2021-AIC-VI:unrestricted adversarial attacks on ImageNet,etc)で検証した。 包括的評価と分析により,本手法は偏執だけでなく,最先端攻撃に対する成功率や伝達性も著しく向上することが示された。

関連論文リスト

• Neighboring Slice Noise2Noise: Self-Supervised Medical Image Denoising from Single Noisy Image Volume [12.077993066353294]
  近距離スライスノイズ2ノイズ(NS-N2N)の自己監督型医用画像復号法を提案する。 NS-N2Nは、画像ボリューム自体の高品質な denoising を実現するために、1つの医療画像から得られるノイズの多い画像ボリュームのみを必要とする。
  論文  参考訳（メタデータ） (2024-11-16T16:24:28Z)
• Dual Adversarial Resilience for Collaborating Robust Underwater Image Enhancement and Perception [54.672052775549]
  本研究では,水中画像の強調と検出を行うために,CARNetと呼ばれる協調的対向レジリエンスネットワークを導入する。 本稿では,ネットワークが様々な種類の攻撃を識別・除去できるように,視覚駆動型と知覚駆動型の両方による同時攻撃訓練戦略を提案する。 実験により,提案手法は画像の高画質化を図り,最先端の手法よりも平均6.71%高い検出精度が得られた。
  論文  参考訳（メタデータ） (2023-09-03T06:52:05Z)
• Masked Image Training for Generalizable Deep Image Denoising [53.03126421917465]
  本稿では,デノナイジングネットワークの一般化性能を高めるための新しい手法を提案する。 提案手法では,入力画像のランダムなピクセルをマスキングし,学習中に欠落した情報を再構成する。 提案手法は,他のディープラーニングモデルよりも優れた一般化能力を示し,実世界のシナリオに直接適用可能である。
  論文  参考訳（メタデータ） (2023-03-23T09:33:44Z)
• Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
  十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。 ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。 本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-26T14:11:05Z)
• Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
  暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。 提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:46:36Z)
• Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
  本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。 トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。 AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
  論文  参考訳（メタデータ） (2022-03-24T18:11:31Z)
• Geodesic Gramian Denoising Applied to the Images Contaminated With Noise Sampled From Diverse Probability Distributions [0.2578242050187029]
  選択した画像から5つの顕著な確率分布からサンプリングされた雑音を除去する文法に基づくフィルタリング手法 ピクセルではなく、画像から分割されたパッチを採用することで、画像の滑らかさを保ちます。 3つのベンチマークコンピュータビジョンテスト画像を2つの最先端の復調法に適用し,その復調性能を検証した。
  論文  参考訳（メタデータ） (2022-03-04T22:48:12Z)
• Dual Adversarial Network: Toward Real-world Noise Removal and Noise Generation [52.75909685172843]
  実世界の画像ノイズ除去は、コンピュータビジョンにおける長年の課題である。 本稿では,ノイズ除去およびノイズ発生タスクに対処する新しい統合フレームワークを提案する。 本手法はクリーンノイズ画像対の連成分布を学習する。
  論文  参考訳（メタデータ） (2020-07-12T09:16:06Z)
• Adversarial Attacks on Convolutional Neural Networks in Facial Recognition Domain [2.4704085162861693]
  Deep Neural Network(DNN)分類器を実生活で脆弱にする敵攻撃は、自動運転車、マルウェアフィルター、生体認証システムにおいて深刻な脅威となる。 我々はFast Gradient Sign Methodを適用し、顔画像データセットに摂動を導入し、異なる分類器で出力をテストする。 我々は、最小の敵対的知識を前提に、さまざまなブラックボックス攻撃アルゴリズムを顔画像データセット上に構築する。
  論文  参考訳（メタデータ） (2020-01-30T00:25:05Z)

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。