論文の概要: Comparing the robustness of modern no-reference image- and video-quality metrics to adversarial attacks

• arxiv url: http://arxiv.org/abs/2310.06958v1
• Date: Tue, 10 Oct 2023 19:21:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 01:24:25.986714
• Title: Comparing the robustness of modern no-reference image- and video-quality metrics to adversarial attacks
• Title（参考訳）: 現代の非参照画像とビデオ品質メトリクスの堅牢性と敵攻撃の比較
• Authors: Anastasia Antsiferova, Khaled Abud, Aleksandr Gushchin, Sergey Lavrushkin, Ekaterina Shumitskaya, Maksim Velikanov, Dmitriy Vatolin
• Abstract要約: 本稿では、現代のメトリクスのロバスト性を、異なる敵攻撃に対して分析する。 いくつかのメトリクスは、脆弱なメトリクスよりも安全なベンチマークでの使用を可能にする敵攻撃に対する高い抵抗を示した。 このベンチマークは、彼らのメトリクスを攻撃に対してより堅牢にしたい研究者や、必要に応じてそのようなメトリクスを見つける研究者のために、新しいメトリクスの提出を受け付けている。
• 参考スコア（独自算出の注目度）: 44.199566193577404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays neural-network-based image- and video-quality metrics show better performance compared to traditional methods. However, they also became more vulnerable to adversarial attacks that increase metrics' scores without improving visual quality. The existing benchmarks of quality metrics compare their performance in terms of correlation with subjective quality and calculation time. However, the adversarial robustness of image-quality metrics is also an area worth researching. In this paper, we analyse modern metrics' robustness to different adversarial attacks. We adopted adversarial attacks from computer vision tasks and compared attacks' efficiency against 15 no-reference image/video-quality metrics. Some metrics showed high resistance to adversarial attacks which makes their usage in benchmarks safer than vulnerable metrics. The benchmark accepts new metrics submissions for researchers who want to make their metrics more robust to attacks or to find such metrics for their needs. Try our benchmark using pip install robustness-benchmark.
• Abstract（参考訳）: 現在、ニューラルネットワークベースの画像およびビデオ品質指標は、従来の方法よりも優れたパフォーマンスを示している。 しかし、視覚的品質を改善することなくメトリクスのスコアを上げる敵攻撃にもより脆弱になった。 既存の品質指標のベンチマークは、主観的品質と計算時間との相関の観点からパフォーマンスを比較する。 しかし、画像品質指標の敵対的ロバスト性も研究に値する分野である。 本稿では,異なる敵攻撃に対する現代のメトリクスの堅牢性を分析する。 コンピュータビジョンタスクからの敵意攻撃を適用し,15の非参照画像/ビデオ品質指標に対する攻撃の効率性を比較した。 いくつかのメトリクスは、脆弱なメトリクスよりも安全なベンチマークでの使用を可能にする敵攻撃に対する高い抵抗を示した。 このベンチマークは、攻撃に対してメトリクスをより堅牢にしたい研究者や、必要に応じてそのようなメトリクスを見つけたい研究者のために、新しいメトリクスの提出を受け入れる。 pip install robustness-benchmarkを使ってベンチマークを試してみよう。

関連論文リスト

• Guardians of Image Quality: Benchmarking Defenses Against Adversarial Attacks on Image Quality Metrics [35.87448891459325]
  本稿では、IQAに対する敵攻撃の増加に対応する防衛機構の総合的なベンチマーク研究について述べる。 本研究は, 敵の浄化, 敵の訓練, 確証された堅牢性手法を含む25の防衛戦略を評価する。 我々は、IQAのスコアと画質を保存すべきであるとして、ディフェンスとIQAタスクへの適用性の違いを分析した。
  論文  参考訳（メタデータ） (2024-08-02T19:02:49Z)
• Ti-Patch: Tiled Physical Adversarial Patch for no-reference video quality metrics [3.7855740990304736]
  非参照画像とビデオ品質のメトリクスは、多くのコンピュータビジョンタスクにおいて不可欠である。 品質指標の脆弱性は、品質管理システムにおけるそのような指標の使用を制限する。 本稿では,物理空間における品質指標の脆弱性を検査するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-15T17:38:47Z)
• IOI: Invisible One-Iteration Adversarial Attack on No-Reference Image- and Video-Quality Metrics [4.135467749401761]
  非参照画像とビデオ品質のメトリクスは、ビデオ処理ベンチマークで広く使われている。 Invisible One-Iteration (IOI) は参照画像やビデオ品質の指標に反する攻撃である。
  論文  参考訳（メタデータ） (2024-03-09T16:33:30Z)
• 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)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Fast Adversarial CNN-based Perturbation Attack on No-Reference Image- and Video-Quality Metrics [0.0]
  非参照品質指標に対する高速な敵攻撃を提案する。 提案した攻撃は、リアルタイムビデオ処理および圧縮アルゴリズムにおける前処理ステップとして利用することができる。 この研究は、安定したニューラルネットワークベースの非参照品質メトリクスの設計にさらなる支援を与えることができる。
  論文  参考訳（メタデータ） (2023-05-24T20:18:21Z)
• Video compression dataset and benchmark of learning-based video-quality metrics [55.41644538483948]
  本稿では,ビデオ圧縮の評価を行うビデオ品質指標の新しいベンチマークを提案する。 これは、異なる標準でエンコードされた約2,500のストリームからなる、新しいデータセットに基づいている。 クラウドソーシングによるペアワイズ比較により,主観的スコアを収集した。
  論文  参考訳（メタデータ） (2022-11-22T09:22:28Z)
• Universal Perturbation Attack on Differentiable No-Reference Image- and Video-Quality Metrics [0.0]
  一部の攻撃は、画像品質とビデオ品質のメトリクスを欺くことができる。 広汎な摂動を通して、識別可能な非参照品質指標を攻撃できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T10:28:13Z)
• The Glass Ceiling of Automatic Evaluation in Natural Language Generation [60.59732704936083]
  ステップバックして、既存の自動メトリクスと人的メトリクスのボディを比較して、最近の進歩を分析します。 古いものや新しいものといった自動メトリクスは、人間よりもずっと似ています。
  論文  参考訳（メタデータ） (2022-08-31T01:13:46Z)
• Bidimensional Leaderboards: Generate and Evaluate Language Hand in Hand [117.62186420147563]
  リーダーボード, 二次元リーダーボード(ビルボード)の一般化を提案する。 従来の一次元のリーダーボードがシステムに所定の基準でソートするのとは異なり、ビルボードはジェネレータと評価指標の両方を競合するエントリとして受け入れる。 いくつかの異なるメトリクスの線形アンサンブルが、場合によっては既存のメトリクスを独立して大幅に上回っていることを実証する。
  論文  参考訳（メタデータ） (2021-12-08T06:34:58Z)

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。