論文の概要: Dual Adversarial Resilience for Collaborating Robust Underwater Image
Enhancement and Perception
- arxiv url: http://arxiv.org/abs/2309.01102v1
- Date: Sun, 3 Sep 2023 06:52:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 21:35:01.425720
- Title: Dual Adversarial Resilience for Collaborating Robust Underwater Image
Enhancement and Perception
- Title(参考訳): 強固な水中画像強調と知覚のための2重逆弾性
- Authors: Zengxi Zhang, Zhiying Jiang, Zeru Shi, Jinyuan Liu, Risheng Liu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 54.672052775549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the uneven scattering and absorption of different light wavelengths in
aquatic environments, underwater images suffer from low visibility and clear
color deviations. With the advancement of autonomous underwater vehicles,
extensive research has been conducted on learning-based underwater enhancement
algorithms. These works can generate visually pleasing enhanced images and
mitigate the adverse effects of degraded images on subsequent perception tasks.
However, learning-based methods are susceptible to the inherent fragility of
adversarial attacks, causing significant disruption in results. In this work,
we introduce a collaborative adversarial resilience network, dubbed CARNet, for
underwater image enhancement and subsequent detection tasks. Concretely, we
first introduce an invertible network with strong perturbation-perceptual
abilities to isolate attacks from underwater images, preventing interference
with image enhancement and perceptual tasks. Furthermore, we propose a
synchronized attack training strategy with both visual-driven and
perception-driven attacks enabling the network to discern and remove various
types of attacks. Additionally, we incorporate an attack pattern discriminator
to heighten the robustness of the network against different attacks. Extensive
experiments demonstrate that the proposed method outputs visually appealing
enhancement images and perform averagely 6.71% higher detection mAP than
state-of-the-art methods.
- Abstract(参考訳): 水生環境における様々な光波長の不均一な散乱と吸収のため、水中の画像は視界が低く、鮮やかな色差に悩まされる。
自律型水中車両の進歩に伴い、学習に基づく水中強化アルゴリズムに関する広範な研究が進められている。
これらの研究は、視覚的に満足な強調画像を生成し、劣化した画像がその後の知覚タスクに与える影響を軽減することができる。
しかし、学習に基づく手法は、敵対的攻撃の固有の脆弱さに影響され、結果に大きな混乱をもたらす。
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。
具体的には,水中画像から攻撃を分離する強力な摂動知覚能力を有する可逆ネットワークを導入し,画像強調や知覚課題への干渉を防止した。
さらに,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,視覚駆動型と知覚型の両方による同時攻撃訓練戦略を提案する。
さらに,攻撃パターン判別器を組み込んで,攻撃に対するネットワークの堅牢性を高める。
広汎な実験により,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%高い検出精度を実現している。
関連論文リスト
- Unrevealed Threats: A Comprehensive Study of the Adversarial Robustness of Underwater Image Enhancement Models [16.272142350752805]
5つのよく設計されたUWIEモデルに対して、3つの共通の水中画像ベンチマークデータセット上で敵攻撃を行うための最初の試みを行う。
その結果、5つのモデルが敵攻撃に対する様々な脆弱性を示し、劣化した画像に対する十分に設計された小さな摂動は、UWIEモデルが強化された結果を生み出すのを防ぐことができることを示した。
論文 参考訳(メタデータ) (2024-09-10T11:02:35Z) - PUGAN: Physical Model-Guided Underwater Image Enhancement Using GAN with
Dual-Discriminators [120.06891448820447]
鮮明で視覚的に快適な画像を得る方法は、人々の共通の関心事となっている。
水中画像強調(UIE)の課題も、時間とともに現れた。
本稿では,UIE のための物理モデル誘導型 GAN モデルを提案する。
我々のPUGANは質的および定量的な測定値において最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-06-15T07:41:12Z) - On Adversarial Robustness of Deep Image Deblurring [15.66170693813815]
本稿では,深層学習に基づく画像デブロワー法に対する敵対的攻撃を提案する。
本研究では,非知覚歪みが最先端の劣化ネットワークの性能を著しく低下させることを示した。
論文 参考訳(メタデータ) (2022-10-05T18:31:33Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳(メタデータ) (2022-07-13T13:59:59Z) - Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep
Image-to-Image Models against Adversarial Attacks [104.8737334237993]
本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。
一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。
画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
論文 参考訳(メタデータ) (2021-04-30T14:20:33Z) - Single Underwater Image Restoration by Contrastive Learning [23.500647404118638]
本稿では,教師なし画像から画像への翻訳フレームワークに基づく水中画像復元の最先端化を実現する新しい手法について詳述する。
本手法は,原画像と復元画像の相互情報を最大化するために,コントラスト学習と生成対向ネットワークを利用して設計する。
論文 参考訳(メタデータ) (2021-03-17T14:47:03Z) - 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) - Perception Improvement for Free: Exploring Imperceptible Black-box
Adversarial Attacks on Image Classification [27.23874129994179]
ホワイトボックスの敵攻撃は、特に大きな画像の場合、小さな摂動を伴うニューラルネットワークを騙すことができる。
逆行性摂動を成功させることは、特にトランスファーベースのブラックボックス逆行攻撃では困難である。
本稿では,心理的知覚モデルに基づく対向画像の生成による構造認識型対向攻撃を提案する。
論文 参考訳(メタデータ) (2020-10-30T07:17:12Z) - Towards Achieving Adversarial Robustness by Enforcing Feature
Consistency Across Bit Planes [51.31334977346847]
我々は、高ビット平面の情報に基づいて粗い印象を形成するためにネットワークを訓練し、低ビット平面を用いて予測を洗練させる。
異なる量子化画像間で学習した表現に一貫性を付与することにより、ネットワークの対角的ロバスト性が大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-04-01T09:31:10Z)
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。