Fugu-MT 論文翻訳(概要): Improving Visual Quality of Unrestricted Adversarial Examples with Wavelet-VAE

論文の概要: Improving Visual Quality of Unrestricted Adversarial Examples with Wavelet-VAE

arxiv url: http://arxiv.org/abs/2108.11032v1
Date: Wed, 25 Aug 2021 03:45:54 GMT
ステータス: 処理完了
システム内更新日: 2021-08-26 13:10:23.097059
Title: Improving Visual Quality of Unrestricted Adversarial Examples with Wavelet-VAE
Title（参考訳）: ウェーブレットVAEによる非制限逆例の視覚的品質向上
Authors: Wenzhao Xiang, Chang Liu, Shibao Zheng
Abstract要約: 本稿では,ウェーブレット-VAE構造を用いて,入力画像の再構成と,潜時コードの変更による逆例の生成を行う。提案手法は,ImageNetデータセット上で高品質な逆数例を生成することができる。
参考スコア（独自算出の注目度）: 7.689203800129022
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traditional adversarial examples are typically generated by adding perturbation noise to the input image within a small matrix norm. In practice, un-restricted adversarial attack has raised great concern and presented a new threat to the AI safety. In this paper, we propose a wavelet-VAE structure to reconstruct an input image and generate adversarial examples by modifying the latent code. Different from perturbation-based attack, the modifications of the proposed method are not limited but imperceptible to human eyes. Experiments show that our method can generate high quality adversarial examples on ImageNet dataset.
Abstract（参考訳）: 従来の逆数例は典型的には、小さな行列ノルム内の入力画像に摂動ノイズを加えることによって生成される。実際には、制限なしの敵攻撃は大きな懸念を呼び、AIの安全性に新たな脅威をもたらした。本稿では,ウェーブレット-VAE構造を用いて入力画像の再構成を行い,潜在コードの変更による逆例を生成する。摂動攻撃と異なり、提案手法の修正は制限されないが、人間の目には受け入れられない。実験により,imagenetデータセット上で高品質な逆例を生成できることを示した。

関連論文リスト

LFAA: Crafting Transferable Targeted Adversarial Examples with Low-Frequency Perturbations [25.929492841042666]
本稿では,トランスファー可能な対象対向例を生成するための新しい手法を提案する。画像の高周波成分の摂動にディープニューラルネットワークの脆弱性を利用する。提案手法は最先端手法よりも優れている。
論文参考訳（メタデータ） (2023-10-31T04:54:55Z)
IRAD: Implicit Representation-driven Image Resampling against Adversarial Attacks [16.577595936609665]
本稿では,画像再サンプリングという,敵対的攻撃に対する新たなアプローチを提案する。画像再サンプリングは、幾何学的変換によって指定されたシーンの再調整や再レンダリングの過程をシミュレートして、離散画像を新しい画像に変換する。本手法は,クリーンな画像の精度を維持しつつ,多様な深層モデルの様々な攻撃に対する対角的堅牢性を著しく向上することを示す。
論文参考訳（メタデータ） (2023-10-18T11:19:32Z)
AFLOW: Developing Adversarial Examples under Extremely Noise-limited Settings [7.828994881163805]
ディープニューラルネットワーク(DNN)は、敵の攻撃に対して脆弱である。本稿では,AFLOW と呼ばれる新しい正規化フローベースのエンドツーエンドアタックフレームワークを提案する。既存の手法と比較すると、AFLOWは認識不能性、画質、攻撃能力に優れていた。
論文参考訳（メタデータ） (2023-10-15T10:54:07Z)
Reconstruction Distortion of Learned Image Compression with Imperceptible Perturbations [69.25683256447044]
本稿では,学習画像圧縮(lic)の再構成品質を効果的に劣化させる攻撃手法を提案する。我々は,Frobeniusノルムに基づく損失関数を導入して,元の画像と再構成された逆例との差を最大化することによって,逆例を生成する。様々なlicモデルを用いてKodakデータセット上で実験を行った結果,有効性が確認された。
論文参考訳（メタデータ） (2023-06-01T20:21:05Z)
Adversarial examples by perturbing high-level features in intermediate decoder layers [0.0]
画素を摂動する代わりに、入力画像のエンコーダ-デコーダ表現とデコーダの中間層を摂動する。我々の摂動は、より長いくちばしや緑のくちばしのような意味的な意味を持っている。本手法は,敵の攻撃に対して,敵の訓練に基づく防御技術が脆弱であることを示す。
論文参考訳（メタデータ） (2021-10-14T07:08:15Z)
Towards Defending against Adversarial Examples via Attack-Invariant Features [147.85346057241605]
ディープニューラルネットワーク(DNN)は敵の雑音に弱い。敵の強靭性は、敵の例を利用して改善することができる。目に見えない種類の敵の例に基づいて訓練されたモデルは、一般的に、目に見えない種類の敵の例にうまく一般化できない。
論文参考訳（メタデータ） (2021-06-09T12:49:54Z)
Adversarial Examples Detection beyond Image Space [88.7651422751216]
摂動と予測信頼の間にはコンプライアンスが存在することが分かり、予測信頼の面から少数の摂動攻撃を検出するための指針となる。本研究では,画像ストリームが画素アーティファクトに注目し,勾配ストリームが信頼度アーティファクトに対応する2ストリームアーキテクチャによる画像空間を超えた手法を提案する。
論文参考訳（メタデータ） (2021-02-23T09:55:03Z)
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)
A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文参考訳（メタデータ） (2020-10-15T16:07:26Z)
Online Alternate Generator against Adversarial Attacks [144.45529828523408]
ディープラーニングモデルは、実際の画像に準知覚可能なノイズを加えることによって合成される敵の例に非常に敏感である。対象ネットワークのパラメータをアクセスしたり変更したりする必要のない,ポータブルな防御手法であるオンライン代替ジェネレータを提案する。提案手法は,入力画像のスクラッチから別の画像をオンライン合成することで,対向雑音を除去・破壊する代わりに機能する。
論文参考訳（メタデータ） (2020-09-17T07:11:16Z)
AdvJND: Generating Adversarial Examples with Just Noticeable Difference [3.638233924421642]
例に小さな摂動を加えると、優れたパフォーマンスモデルが工芸品の例を誤って分類する。我々のAdvJNDアルゴリズムが生成した逆例は、元の入力に類似した分布を生成する。
論文参考訳（メタデータ） (2020-02-01T09:55:27Z)

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。