Fugu-MT 論文翻訳(概要): All You Need is RAW: Defending Against Adversarial Attacks with Camera Image Pipelines

論文の概要: All You Need is RAW: Defending Against Adversarial Attacks with Camera Image Pipelines

arxiv url: http://arxiv.org/abs/2112.09219v1
Date: Thu, 16 Dec 2021 21:54:26 GMT
ステータス: 処理完了
システム内更新日: 2021-12-21 04:30:08.813512
Title: All You Need is RAW: Defending Against Adversarial Attacks with Camera Image Pipelines
Title（参考訳）: 必要なのはrawだけ - カメライメージパイプラインによる敵の攻撃に対する防御
Authors: Yuxuan Zhang, Bo Dong, Felix Heide
Abstract要約: 画像と画像のマッピングのためのモデルに依存しない対角防御法を提案する。この方法は、入力されたRGB画像をベイアRAW空間にマッピングし、学習したカメラ画像信号処理パイプラインを用いて出力RGBにマッピングする。その結果、余分な再トレーニングを伴わずに未確認タスクに一般化する。
参考スコア（独自算出の注目度）: 31.043289921613933
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Existing neural networks for computer vision tasks are vulnerable to adversarial attacks: adding imperceptible perturbations to the input images can fool these methods to make a false prediction on an image that was correctly predicted without the perturbation. Various defense methods have proposed image-to-image mapping methods, either including these perturbations in the training process or removing them in a preprocessing denoising step. In doing so, existing methods often ignore that the natural RGB images in today's datasets are not captured but, in fact, recovered from RAW color filter array captures that are subject to various degradations in the capture. In this work, we exploit this RAW data distribution as an empirical prior for adversarial defense. Specifically, we proposed a model-agnostic adversarial defensive method, which maps the input RGB images to Bayer RAW space and back to output RGB using a learned camera image signal processing (ISP) pipeline to eliminate potential adversarial patterns. The proposed method acts as an off-the-shelf preprocessing module and, unlike model-specific adversarial training methods, does not require adversarial images to train. As a result, the method generalizes to unseen tasks without additional retraining. Experiments on large-scale datasets (e.g., ImageNet, COCO) for different vision tasks (e.g., classification, semantic segmentation, object detection) validate that the method significantly outperforms existing methods across task domains.
Abstract（参考訳）: 入力画像に知覚不可能な摂動を加えることで、これらの手法を騙して、摂動なしで正確に予測された画像に対して誤った予測を行うことができる。トレーニングプロセスにおけるこれらの摂動を含む画像と画像のマッピング手法の提案や,前処理によるデノナイジングステップの除去など,さまざまな防御手法が提案されている。既存の方法では、今日のデータセットの自然なRGBイメージがキャプチャされないことを無視することが多いが、実際、RAWカラーフィルタアレイのキャプチャから回収され、キャプチャのさまざまな劣化を被る。本研究では,このRAWデータ分布を敵防衛の実証的先行として活用する。具体的には,入力された RGB 画像を Bayer RAW 空間にマッピングし,学習カメラ画像信号処理 (ISP) パイプラインを用いて出力 RGB に戻すことで,潜在的な対向パターンを排除できるモデル非依存の対向防御手法を提案する。提案手法は市販のプリプロセッシングモジュールとして機能し, モデル固有の対向訓練法とは異なり, 対向画像を必要としない。その結果、余分な再トレーニングを伴わずに未確認タスクに一般化する。異なる視覚タスク(例えば分類、セマンティックセグメンテーション、オブジェクト検出)のための大規模なデータセット(例えば、ImageNet、COCO)の実験は、このメソッドがタスクドメイン全体で既存のメソッドよりも著しく優れていることを検証する。

関連論文リスト

A Learnable Color Correction Matrix for RAW Reconstruction [19.394856071610604]
複雑な逆画像信号処理装置(ISP)を近似する学習可能な色補正行列(CCM)を導入する。実験結果から,本手法で生成したRAW(simRAW)画像は,より複雑な逆ISP法で生成した画像と同等の性能向上が得られた。
論文参考訳（メタデータ） (2024-09-04T07:46:42Z)
Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-31T13:12:41Z)
Self-Supervised Reversed Image Signal Processing via Reference-Guided Dynamic Parameter Selection [1.1602089225841632]
メタデータとペア画像を必要としない自己教師付き逆ISP方式を提案する。提案手法は,RGB画像を参照RAW画像と同じセンサで同一環境で撮影されたRAWライクな画像に変換する。提案手法は,他の最先端教師付き手法に匹敵する精度で,様々な逆ISPを学習可能であることを示す。
論文参考訳（メタデータ） (2023-03-24T11:12:05Z)
Adversarial RAW: Image-Scaling Attack Against Imaging Pipeline [5.036532914308395]
本稿では,ISPパイプラインをターゲットとした画像スケーリングアタックを開発し,構築した対角RAWをアタックイメージに変換する。そこで我々は,RAW-to-RGB変換をよく学習するプロキシモデルを勾配オーラクルとして提案する,勾配不利用可能なISPパイプラインについて検討する。
論文参考訳（メタデータ） (2022-06-02T07:35:50Z)
Diffusion Models for Adversarial Purification [69.1882221038846]
対人浄化(Adrial purification)とは、生成モデルを用いて敵の摂動を除去する防衛方法の分類である。そこで我々は,拡散モデルを用いたDiffPureを提案する。提案手法は,現在の対人訓練および対人浄化方法よりも優れ,最先端の成果を達成する。
論文参考訳（メタデータ） (2022-05-16T06:03:00Z)
Transform your Smartphone into a DSLR Camera: Learning the ISP in the Wild [159.71025525493354]
本稿では,スマートフォンが取得したRAW画像に基づいて,DSLRの品質画像を生成する訓練可能な画像信号処理フレームワークを提案する。トレーニング画像ペア間の色ずれに対処するために、カラー条件ISPネットワークを使用し、各入力RAWと基準DSLR画像間の新しいパラメトリック色マッピングを最適化する。
論文参考訳（メタデータ） (2022-03-20T20:13:59Z)
Model-Based Image Signal Processors via Learnable Dictionaries [6.766416093990318]
デジタルカメラは画像信号処理装置(ISP)を用いてRAW読み出しをRGB画像に変換する近年のアプローチでは、RGBからRAWマッピングを推定することで、このギャップを埋めようとしている。本稿では,学習可能かつ解釈可能なハイブリッド・モデルベースかつデータ駆動型ISPを提案する。
論文参考訳（メタデータ） (2022-01-10T08:36:10Z)
Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
破損したデータの表現を復元するための新しい逆問題群について検討する。コントラスト目的を用いた教師付きインバージョン手法を提案する。提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
論文参考訳（メタデータ） (2021-10-14T15:06:30Z)
Learning RAW-to-sRGB Mappings with Inaccurately Aligned Supervision [76.41657124981549]
本稿では,画像アライメントとRAW-to-sRGBマッピングのための共同学習モデルを提案する。実験の結果,本手法はZRRおよびSR-RAWデータセットの最先端に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2021-08-18T12:41:36Z)
Learning to Jointly Deblur, Demosaick and Denoise Raw Images [39.149955856017876]
我々はRGB画像に既存の学習に基づくアプローチを適用し、新しい解釈可能なモジュールを導入して生画像を扱う。このモデルは、現実的な反転カメラパイプラインに従って、RGBイメージを生画像に変換してトレーニングします。また,本手法では,実画像からカメラ固有のぼやけを除去し,本質的に鋭い画像のぼやけを解消する。
論文参考訳（メタデータ） (2021-04-13T19:02:59Z)
CycleISP: Real Image Restoration via Improved Data Synthesis [166.17296369600774]
本稿では,前向きと逆方向のカメラ画像パイプラインをモデル化するフレームワークを提案する。リアルな合成データに基づいて新しい画像認識ネットワークをトレーニングすることにより、実際のカメラベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-03-17T15:20:25Z)

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。