論文の概要: R-LPIPS: An Adversarially Robust Perceptual Similarity Metric

• arxiv url: http://arxiv.org/abs/2307.15157v2
• Date: Mon, 31 Jul 2023 16:06:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 11:10:23.286206
• Title: R-LPIPS: An Adversarially Robust Perceptual Similarity Metric
• Title（参考訳）: R-LPIPS: 対向的にロバストな知覚的類似度メトリクス
• Authors: Sara Ghazanfari, Siddharth Garg, Prashanth Krishnamurthy, Farshad Khorrami, Alexandre Araujo
• Abstract要約: 本稿では,Robust Learned Perceptual Image Patch similarity(R-LPIPS)メトリクスを提案する。 R-LPIPSは、敵対的に訓練された深い特徴を活用する新しい指標である。 従来のLPIPSメトリックと比較して,R-LPIPSの優位性を示す。
• 参考スコア（独自算出の注目度）: 71.33812578529006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Similarity metrics have played a significant role in computer vision to capture the underlying semantics of images. In recent years, advanced similarity metrics, such as the Learned Perceptual Image Patch Similarity (LPIPS), have emerged. These metrics leverage deep features extracted from trained neural networks and have demonstrated a remarkable ability to closely align with human perception when evaluating relative image similarity. However, it is now well-known that neural networks are susceptible to adversarial examples, i.e., small perturbations invisible to humans crafted to deliberately mislead the model. Consequently, the LPIPS metric is also sensitive to such adversarial examples. This susceptibility introduces significant security concerns, especially considering the widespread adoption of LPIPS in large-scale applications. In this paper, we propose the Robust Learned Perceptual Image Patch Similarity (R-LPIPS) metric, a new metric that leverages adversarially trained deep features. Through a comprehensive set of experiments, we demonstrate the superiority of R-LPIPS compared to the classical LPIPS metric. The code is available at https://github.com/SaraGhazanfari/R-LPIPS.
• Abstract（参考訳）: 類似度測定は、画像の基盤となる意味を捉えるためにコンピュータビジョンにおいて重要な役割を果たしてきた。 近年,LPIPS(Learned Perceptual Image Patch similarity)のような高度な類似度指標が出現している。 これらの指標は、訓練されたニューラルネットワークから抽出された深い特徴を活用しており、相対的な画像類似性を評価する際に人間の知覚と密に連携する顕著な能力を示している。 しかし現在では、ニューラルネットワークは敵の例、すなわち、故意にモデルを誤解させるために造られた人間の目に見えない小さな摂動の影響を受けやすいことが知られている。 その結果、LPIPSメトリックはそのような逆例にも敏感である。 この感受性は、特に大規模アプリケーションでLPIPSが広く採用されていることを考えると、重大なセキュリティ上の懸念をもたらす。 本稿では,R-LPIPS(Robust Learned Perceptual Image Patch similarity)尺度を提案する。 総合的な実験を通して、古典的なLPIPSメトリックと比較してR-LPIPSの優位性を示す。 コードはhttps://github.com/SaraGhazanfari/R-LPIPSで公開されている。

関連論文リスト

• Chasing Better Deep Image Priors between Over- and Under-parameterization [63.8954152220162]
  そこで本研究では,DNN固有の空間性を利用して,LIP(lottery image prior)を新たに検討する。 LIPworksは、コンパクトなモデルサイズでディープデコーダを著しく上回っている。 また、LIPを圧縮センシング画像再構成に拡張し、事前学習したGANジェネレータを前者として使用する。
  論文  参考訳（メタデータ） (2024-10-31T17:49:44Z)
• CSIM: A Copula-based similarity index sensitive to local changes for Image quality assessment [2.3874115898130865]
  画像類似度メトリクスは、画像処理、コンピュータビジョン、機械学習で使用されるため、コンピュータビジョンアプリケーションにおいて重要な役割を果たす。 PSNR、MSE、SSIM、ISSM、FSIMといった既存のメトリクスは、画像の小さな変更に対する速度、複雑さ、感度のいずれにおいても制限に直面していることが多い。 本稿では,画像の微妙な変化に敏感でありながらリアルタイムに組み合わせた新しい画像類似度指標CSIMについて検討する。
  論文  参考訳（メタデータ） (2024-10-02T10:46:05Z)
• LipSim: A Provably Robust Perceptual Similarity Metric [56.03417732498859]
  敵攻撃に対するViTベースの特徴抽出器のアンサンブルに基づく,最先端の知覚的類似度指標の脆弱性を示す。 次に、証明可能な保証とともに、LipSimと呼ばれる堅牢な知覚的類似度メトリックをトレーニングするためのフレームワークを提案する。 LipSimは、各データポイント周辺の保護された領域と、$ell$ ball内のすべての摂動の証明書を提供する。
  論文  参考訳（メタデータ） (2023-10-27T16:59:51Z)
• A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
  対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。 我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
  論文  参考訳（メタデータ） (2023-10-10T09:39:38Z)
• Compact multi-scale periocular recognition using SAFE features [63.48764893706088]
  特徴拡張(SAFE)記述子による対称性評価に基づく眼周囲認識のための新しい手法を提案する。 我々は、スクレラ中心を特徴抽出の単一キーポイントとして使用し、眼のこの点に集中するオブジェクトのようなアイデンティティ特性を強調します。
  論文  参考訳（メタデータ） (2022-10-18T11:46:38Z)
• Shift-tolerant Perceptual Similarity Metric [5.326626090397465]
  既存の知覚的類似度指標は、画像とその参照がよく一致していると仮定する。 本稿では,入力画像と参照画像の小さなずれが既存の指標に与える影響について検討する。 我々は,新しいディープニューラルネットワークに基づく知覚的類似度測定法を開発した。
  論文  参考訳（メタデータ） (2022-07-27T17:55:04Z)
• Identifying and Mitigating Flaws of Deep Perceptual Similarity Metrics [1.484528358552186]
  本研究は,Deep Perceptual similarity(DPS)メトリクスの利点と欠点について考察する。 メトリクスは、メトリクスの長所と短所を理解するために、詳細に分析されます。 この研究は、DPSの欠陥に関する新たな洞察に寄与し、さらにメトリクスの改善を提案する。
  論文  参考訳（メタデータ） (2022-07-06T08:28:39Z)
• Introspective Deep Metric Learning for Image Retrieval [80.29866561553483]
  良好な類似性モデルは、より堅牢なトレーニングのために曖昧なイメージをよりよく扱うように注意しながら、意味的な相違を考慮すべきである、と我々は主張する。 本稿では,画像の意味的特徴とあいまいさを記述した,意味的埋め込みだけでなく,付随する不確実性埋め込みを用いて画像を表現することを提案する。 提案したIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能向上を実現し,広く使用されているCUB-200-2011,Cars196,Stanford Online Productsデータセットの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-05-09T17:51:44Z)
• Towards Imperceptible Query-limited Adversarial Attacks with Perceptual Feature Fidelity Loss [3.351714665243138]
  そこで本研究では,低レベル画像特徴の忠実度と人間の視覚感度の関連性を利用した新しい知覚計測手法を提案する。 提案手法は, 種々の条件下で検証された, 生成した逆画像の不受容性を, 頑健に反映し, 記述できることを示す。
  論文  参考訳（メタデータ） (2021-01-31T13:32:55Z)

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。