論文の概要: Transferable Learned Image Compression-Resistant Adversarial Perturbations

• arxiv url: http://arxiv.org/abs/2401.03115v2
• Date: Wed, 06 Nov 2024 22:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:35:57.842479
• Title: Transferable Learned Image Compression-Resistant Adversarial Perturbations
• Title（参考訳）: 変換可能な画像圧縮-抵抗性対向性摂動
• Authors: Yang Sui, Zhuohang Li, Ding Ding, Xiang Pan, Xiaozhong Xu, Shan Liu, Zhenzhong Chen,
• Abstract要約: 敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 66.46470251521947
• License:
• Abstract: Adversarial attacks can readily disrupt the image classification system, revealing the vulnerability of DNN-based recognition tasks. While existing adversarial perturbations are primarily applied to uncompressed images or compressed images by the traditional image compression method, i.e., JPEG, limited studies have investigated the robustness of models for image classification in the context of DNN-based image compression. With the rapid evolution of advanced image compression, DNN-based learned image compression has emerged as the promising approach for transmitting images in many security-critical applications, such as cloud-based face recognition and autonomous driving, due to its superior performance over traditional compression. Therefore, there is a pressing need to fully investigate the robustness of a classification system post-processed by learned image compression. To bridge this research gap, we explore the adversarial attack on a new pipeline that targets image classification models that utilize learned image compressors as pre-processing modules. Furthermore, to enhance the transferability of perturbations across various quality levels and architectures of learned image compression models, we introduce a saliency score-based sampling method to enable the fast generation of transferable perturbation. Extensive experiments with popular attack methods demonstrate the enhanced transferability of our proposed method when attacking images that have been post-processed with different learned image compression models.
• Abstract（参考訳）: 敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。 既存の逆方向摂動は、主に圧縮されていない画像や圧縮された画像に適用されるが、JPEGは、DNNベースの画像圧縮の文脈において、画像分類のためのモデルの堅牢性について研究している。 高度な画像圧縮の急速な進化に伴い、DNNベースの学習画像圧縮は、従来の圧縮よりも優れたパフォーマンスのため、クラウドベースの顔認識や自律運転など、多くのセキュリティクリティカルなアプリケーションで画像を送信するための有望なアプローチとして登場した。 したがって、学習画像圧縮によって後処理された分類システムの堅牢性について、徹底的に調査する必要がある。 この研究ギャップを埋めるために、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした、新しいパイプラインに対する敵攻撃について検討する。 さらに,学習画像圧縮モデルの様々な品質レベルおよびアーキテクチャにおける摂動の伝達可能性を高めるために,転送可能な摂動の高速発生を可能にするために,サリエンシスコアに基づくサンプリング手法を提案する。 一般的な攻撃手法を用いた大規模な実験は,異なる学習画像圧縮モデルで処理した画像に対する攻撃において,提案手法の伝達性の向上を実証している。

関連論文リスト

• Unifying Generation and Compression: Ultra-low bitrate Image Coding Via Multi-stage Transformer [35.500720262253054]
  本稿では,新しい画像生成圧縮(UIGC)パラダイムを導入し,生成と圧縮のプロセスを統合する。 UIGCフレームワークの重要な特徴は、トークン化にベクトル量子化(VQ)イメージモデルを採用することである。 実験では、既存のコーデックよりも知覚品質と人間の知覚において、提案されたUIGCフレームワークが優れていることを示した。
  論文  参考訳（メタデータ） (2024-03-06T14:27:02Z)
• A Training-Free Defense Framework for Robust Learned Image Compression [48.41990144764295]
  本研究では,学習した画像圧縮モデルの敵攻撃に対する堅牢性について検討する。 簡単な画像変換関数をベースとした無訓練防御手法を提案する。
  論文  参考訳（メタデータ） (2024-01-22T12:50:21Z)
• High-Fidelity Variable-Rate Image Compression via Invertible Activation Transformation [24.379052026260034]
  Invertible Activation Transformation (IAT) モジュールを提案する。 IATとQLevelは、画像圧縮モデルに、画像の忠実さを良く保ちながら、細かな可変レート制御能力を与える。 提案手法は,特に複数再符号化後に,最先端の可変レート画像圧縮法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-12T07:14:07Z)
• Denial-of-Service Attacks on Learned Image Compression [18.84898685880023]
  画像圧縮システムのロバスト性について検討し、入力画像の知覚不能な摂動が圧縮された潜伏者の摂動を著しく増加させる可能性があることを示す。 注意モジュールと基本因子化エントロピーモデルを組み込んだ新しいモデルを提案し,PSNR/bpp比と敵攻撃に対する堅牢性との間に有望なトレードオフをもたらす。
  論文  参考訳（メタデータ） (2022-05-26T09:46:07Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• Learned Image Compression for Machine Perception [17.40776913809306]
  人間の知覚と機械知覚の両方に適した圧縮フォーマットを生成するフレームワークを開発する。 コアビジョンタスクの圧縮と性能を同時に最適化する表現が学習可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-03T14:39:09Z)
• Early Exit or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images [54.40852143927333]
  ロスシー画像圧縮は、通信帯域を節約するために広範に行われ、望ましくない圧縮アーティファクトをもたらす。 圧縮画像に対する資源効率の高いブラインド品質向上手法(RBQE)を提案する。 提案手法は, 評価された画像の品質に応じて, 自動的にエンハンスメントを終了するか, 継続するかを決定することができる。
  論文  参考訳（メタデータ） (2020-06-30T07:38:47Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)

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。