論文の概要: Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond
- arxiv url: http://arxiv.org/abs/2203.16931v1
- Date: Thu, 31 Mar 2022 10:22:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 16:14:13.994837
- Title: Towards Robust Rain Removal Against Adversarial Attacks: A Comprehensive
Benchmark Analysis and Beyond
- Title（参考訳）: 逆襲に対する強固な雨除去に向けて--包括的ベンチマーク分析とそれ以降
- Authors: Yi Yu, Wenhan Yang, Yap-Peng Tan, Alex C. Kot
- Abstract要約: 雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
- 参考スコア（独自算出の注目度）: 85.06231315901505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rain removal aims to remove rain streaks from images/videos and reduce the
disruptive effects caused by rain. It not only enhances image/video visibility
but also allows many computer vision algorithms to function properly. This
paper makes the first attempt to conduct a comprehensive study on the
robustness of deep learning-based rain removal methods against adversarial
attacks. Our study shows that, when the image/video is highly degraded, rain
removal methods are more vulnerable to the adversarial attacks as small
distortions/perturbations become less noticeable or detectable. In this paper,
we first present a comprehensive empirical evaluation of various methods at
different levels of attacks and with various losses/targets to generate the
perturbations from the perspective of human perception and machine analysis
tasks. A systematic evaluation of key modules in existing methods is performed
in terms of their robustness against adversarial attacks. From the insights of
our analysis, we construct a more robust deraining method by integrating these
effective modules. Finally, we examine various types of adversarial attacks
that are specific to deraining problems and their effects on both human and
machine vision tasks, including 1) rain region attacks, adding perturbations
only in the rain regions to make the perturbations in the attacked rain images
less visible; 2) object-sensitive attacks, adding perturbations only in regions
near the given objects. Code is available at
https://github.com/yuyi-sd/Robust_Rain_Removal.
- Abstract（参考訳）: 雨の除去は、画像やビデオから雨の流れを取り除き、雨による破壊的な影響を減らすことを目的としている。
画像/映像の可視性を高めるだけでなく、多くのコンピュータビジョンアルゴリズムが適切に機能する。
本稿では, 深層学習に基づく雨害防止手法の強靭性に関する総合的な研究を初めて行おうとする。
本研究は,画像や映像が高度に劣化すると,小さな歪みや摂動が目立たなくなるほど,逆襲に対して雨除去手法がより脆弱になることを示す。
本稿ではまず,人間の知覚と機械解析のタスクの観点から,様々な攻撃レベルにおける様々な手法の総合的評価と,様々な損失・目標を提示し,摂動を発生させる。
既存手法における鍵モジュールの系統的評価は,敵攻撃に対するロバスト性の観点から行う。
分析の知見から,これらの有効モジュールを統合することにより,より堅牢なデラミニング手法を構築する。
最後に, 出所問題に特有の各種の敵意攻撃と, 人間と機械の視覚課題に対する影響について検討した。
1) 雨地攻撃は、雨地のみに摂動を加え、攻撃された雨画像の摂動を目立たないようにする。
2)オブジェクトに敏感な攻撃を行い、与えられたオブジェクトの近くの領域にのみ摂動を追加する。
コードはhttps://github.com/yuyi-sd/robust_rain_removalで入手できる。
関連論文リスト
- 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) - Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。
現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。
空間周波数Krawtchouk分解に基づく識別検出器を提案する。
論文 参考訳（メタデータ） (2023-05-18T10:18:59Z) - Not Just Streaks: Towards Ground Truth for Single Image Deraining [42.15398478201746]
実世界の雨天とクリーンなイメージペアの大規模データセットを提案する。
本稿では,雨天と清潔な画像の間の雨害損失を最小限に抑え,基盤となるシーンを再構築するディープニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-22T00:10:06Z) - UnfairGAN: An Enhanced Generative Adversarial Network for Raindrop
Removal from A Single Image [8.642603456626391]
UnfairGANは、エッジや雨量推定といった事前の高レベル情報を活用することで、デライニング性能を向上させることができる、改良された生成的敵ネットワークである。
提案手法は, 定量的な計測値と視覚的品質に関する降雨量について, 従来の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） (2021-10-11T18:02:43Z) - RCDNet: An Interpretable Rain Convolutional Dictionary Network for
Single Image Deraining [49.99207211126791]
雨畳み込み辞書ネットワーク(RCDNet)と呼ばれる,新しい深層アーキテクチャを具体的に構築する。
RCDNetは雨害の本質的な先行を埋め込んでおり、明確な解釈性を持っている。
このような解釈可能なネットワークをエンドツーエンドにトレーニングすることにより、関連するすべてのレインカーネルと近位演算子を自動的に抽出することができる。
論文 参考訳（メタデータ） (2021-07-14T16:08:11Z) - 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) - Adversarial Rain Attack and Defensive Deraining for DNN Perception [29.49757380041375]
我々は,雨天画像合成と敵攻撃という,全く異なる2つの研究を組み合わせることを提案する。
我々はまず,DNNの誘導により,様々な降雨状況をシミュレートした逆降雨攻撃を提示する。
特に,カメラ露光過程に応じて降雨ストリークを合成する因子対応降雨発生装置を設計する。
また, 逆降雨層を混合した逆降雨層を設計する, 防御的なデライン化戦略も提示する。
論文 参考訳（メタデータ） (2020-09-19T10:12:08Z) - Rain Streak Removal in a Video to Improve Visibility by TAWL Algorithm [12.056495277232118]
本研究では, 熱帯雨林の時間的外観, 広角形状, 相対的な位置に着目した3つの新しい抽出特徴を組み合わせる手法を提案する。
TAWL法では,異なる解像度とフレームレートの特徴を適応的に利用し,雨をリアルタイムに除去する。
実雨と合成雨の両方の映像シーケンスを用いて実験を行い, 提案手法の性能を関連する最先端手法と比較した。
論文 参考訳（メタデータ） (2020-07-10T05:07:59Z) - Structural Residual Learning for Single Image Rain Removal [48.87977695398587]
本研究は,本質的な降雨構造を有するネットワークの出力残余を強制することで,新たなネットワークアーキテクチャを提案する。
このような構造的残差設定は、ネットワークによって抽出された雨層が、一般的な雨害の以前の知識に微妙に従うことを保証している。
論文 参考訳（メタデータ） (2020-05-19T05:52:13Z)
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。