論文の概要: Fine-Tuning Adversarially-Robust Transformers for Single-Image Dehazing

• arxiv url: http://arxiv.org/abs/2504.17829v1
• Date: Thu, 24 Apr 2025 08:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.531504
• Title: Fine-Tuning Adversarially-Robust Transformers for Single-Image Dehazing
• Title（参考訳）: 単一画像デハージング用ファインチューニング逆回転変換器
• Authors: Vlad Vasilescu, Ana Neacsu, Daniela Faur,
• Abstract要約: 現状のイメージ・トゥ・イメージ・デハージング・トランスフォーマーは対向雑音の影響を受けやすいことを示す。 本稿では,事前学習したトランスの堅牢性向上を目的とした2つの軽量微調整戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.0209172586699173
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Single-image dehazing is an important topic in remote sensing applications, enhancing the quality of acquired images and increasing object detection precision. However, the reliability of such structures has not been sufficiently analyzed, which poses them to the risk of imperceptible perturbations that can significantly hinder their performance. In this work, we show that state-of-the-art image-to-image dehazing transformers are susceptible to adversarial noise, with even 1 pixel change being able to decrease the PSNR by as much as 2.8 dB. Next, we propose two lightweight fine-tuning strategies aimed at increasing the robustness of pre-trained transformers. Our methods results in comparable clean performance, while significantly increasing the protection against adversarial data. We further present their applicability in two remote sensing scenarios, showcasing their robust behavior for out-of-distribution data. The source code for adversarial fine-tuning and attack algorithms can be found at github.com/Vladimirescu/RobustDehazing.
• Abstract（参考訳）: シングルイメージデハージングは、リモートセンシングアプリケーションにおいて重要なトピックであり、取得した画像の品質を高め、オブジェクト検出精度を高める。 しかし、そのような構造の信頼性は十分に分析されていないため、その性能を著しく損なうような、知覚不能な摂動のリスクが生じる。 本研究では,PSNRを最大2.8dBまで低減できる1ピクセル変化においても,最先端のイメージ・トゥ・イメージ・デハージング・トランスフォーマーは対向雑音の影響を受けやすいことを示す。 次に,事前学習した変圧器のロバスト性向上を目的とした2つの軽量微調整戦略を提案する。 提案手法は, 敵データに対する保護を著しく増加させながら, 同等にクリーンな性能が得られる。 さらに,2つのリモートセンシングシナリオで適用可能性を示し,アウト・オブ・ディストリビューションデータに対するロバストな動作を示す。 敵の微調整と攻撃アルゴリズムのソースコードはgithub.com/Vladimirescu/RobustDehazingにある。

関連論文リスト

• DCT-Shield: A Robust Frequency Domain Defense against Malicious Image Editing [1.7624347338410742]
  最近のディフェンスは、拡散ベースの編集モデルの機能を損なうために、ピクセル空間に限られたノイズを加えることで画像を保護する。 本稿では,周波数領域に直接対向摂動を導入する新しい最適化手法を提案する。 JPEGパイプラインを利用して,悪意のある画像編集を効果的に防止する逆画像を生成する。
  論文  参考訳（メタデータ） (2025-04-24T19:14:50Z)
• Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective [45.210030086193775]
  現在の合成画像検出(SID)パイプラインは、主に普遍的なアーティファクト機能を構築することを目的としている。 3つの簡単な画像変換を持つ軽量かつ効率的な検出器SAFEを提案する。 我々のパイプラインは、新しい最先端のパフォーマンスを実現し、既存の手法に対する平均精度は4.5%、平均精度は2.9%向上した。
  論文  参考訳（メタデータ） (2024-08-13T09:01:12Z)
• Image Deblurring by Exploring In-depth Properties of Transformer [86.7039249037193]
  我々は、事前訓練された視覚変換器(ViT)から抽出した深い特徴を活用し、定量的な測定値によって測定された性能を犠牲にすることなく、回復した画像のシャープ化を促進する。 得られた画像と対象画像の変換器特徴を比較することにより、事前学習された変換器は、高解像度のぼやけた意味情報を提供する。 特徴をベクトルとみなし、抽出された画像から抽出された表現とユークリッド空間における対象表現との差を計算する。
  論文  参考訳（メタデータ） (2023-03-24T14:14:25Z)
• 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)
• RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration via Explainable AI Systems [8.430502131775722]
  気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。 本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。 気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
  論文  参考訳（メタデータ） (2022-04-03T12:45:00Z)
• TransFusion: Robust LiDAR-Camera Fusion for 3D Object Detection with Transformers [49.689566246504356]
  そこで本研究では,LiDAR-カメラ融合に対するソフトアソシエーション機構による堅牢な解であるTransFusionを提案する。 TransFusionは大規模データセット上で最先端のパフォーマンスを実現する。 提案手法を3次元トラッキングタスクに拡張し,nuScenesトラッキングのリーダーボードにおける第1位を達成する。
  論文  参考訳（メタデータ） (2022-03-22T07:15:13Z)
• Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
  本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。 対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。 低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2021-12-24T17:00:54Z)
• AdaViT: Adaptive Vision Transformers for Efficient Image Recognition [78.07924262215181]
  AdaViTは、パッチ、セルフアテンションヘッド、およびトランスフォーマーブロックを使用するための利用ポリシーを導出する適応フレームワークである。 本手法は,0.8%の精度で,最先端のビジョントランスに比べて2倍以上の効率向上を実現している。
  論文  参考訳（メタデータ） (2021-11-30T18:57:02Z)
• Improving robustness against common corruptions with frequency biased models [112.65717928060195]
  目に見えない画像の腐敗は 驚くほど大きなパフォーマンス低下を引き起こします 画像の破損タイプは周波数スペクトルで異なる特性を持ち、ターゲットタイプのデータ拡張の恩恵を受けます。 畳み込み特徴マップの総変動(TV)を最小限に抑え、高周波堅牢性を高める新しい正規化方式を提案する。
  論文  参考訳（メタデータ） (2021-03-30T10:44:50Z)

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。