論文の概要: NIC-RobustBench: A Comprehensive Open-Source Toolkit for Neural Image Compression and Robustness Analysis
- arxiv url: http://arxiv.org/abs/2506.19051v1
- Date: Mon, 23 Jun 2025 19:11:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.353363
- Title: NIC-RobustBench: A Comprehensive Open-Source Toolkit for Neural Image Compression and Robustness Analysis
- Title（参考訳）: NIC-RobustBench: ニューラルネットワーク圧縮とロバストネス解析のための総合的オープンソースツールキット
- Authors: Georgii Bychkov, Khaled Abud, Egor Kovalev, Alexander Gushchin, Dmitriy Vatolin, Anastasia Antsiferova,
- Abstract要約: JPEG AIは、エンドツーエンドのニューラルイメージ圧縮(NIC)メソッドの最初の標準である。
これまでの研究は、限られた範囲のコーデックとアタックに限られていた。
textbfNIC-RobustBenchは、NICの堅牢性と敵防衛の効率を評価するための最初のオープンソースフレームワークである。
- 参考スコア（独自算出の注目度）: 39.50289486200944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adversarial robustness of neural networks is an increasingly important area of research, combining studies on computer vision models, large language models (LLMs), and others. With the release of JPEG AI -- the first standard for end-to-end neural image compression (NIC) methods -- the question of evaluating NIC robustness has become critically significant. However, previous research has been limited to a narrow range of codecs and attacks. To address this, we present \textbf{NIC-RobustBench}, the first open-source framework to evaluate NIC robustness and adversarial defenses' efficiency, in addition to comparing Rate-Distortion (RD) performance. The framework includes the largest number of codecs among all known NIC libraries and is easily scalable. The paper demonstrates a comprehensive overview of the NIC-RobustBench framework and employs it to analyze NIC robustness. Our code is available online at https://github.com/msu-video-group/NIC-RobustBench.
- Abstract（参考訳）: ニューラルネットワークの敵対的堅牢性は、コンピュータビジョンモデル、大規模言語モデル(LLM)などの研究を組み合わせて、ますます重要な研究領域となっている。
エンドツーエンドのニューラルイメージ圧縮(NIC)メソッドの最初の標準であるJPEG AIのリリースにより、NICの堅牢性を評価するという問題は極めて重要になった。
しかし、これまでの研究は限られた範囲のコーデックや攻撃に限られていた。
これを解決するために, NIC の堅牢性と敵防衛の効率を評価するためのオープンソースのフレームワークである textbf{NIC-RobustBench} を紹介し, レート・ディストーション (RD) の性能の比較を行った。
フレームワークには、すべてのNICライブラリの中で最大のコーデックが含まれており、スケーラブルである。
本稿では、NIC-RobustBenchフレームワークの概要を概観し、NICのロバスト性を分析する。
私たちのコードはhttps://github.com/msu-video-group/NIC-RobustBench.comで公開されている。
関連論文リスト
- Exploring adversarial robustness of JPEG AI: methodology, comparison and new methods [37.328379777238304]
JPEG AIは、エンドツーエンドのニューラルイメージ圧縮メソッドの最初の標準である。
本稿ではJPEG AIのロバスト性に関する大規模な評価を行う。
論文 参考訳（メタデータ） (2024-11-18T18:08:52Z) - Neural Image Compression: Generalization, Robustness, and Spectral
Biases [16.55855347335981]
ニューラルイメージ圧縮(NIC)の最近の進歩は、古典的コーデックを上回り始めているモデルを生み出している。
あらゆる機械学習システムが広く採用されるには、見当たらない分散シフトを一般化(かつ堅牢に)する必要がある。
本稿では,画像圧縮方式のアウト・オブ・ディストリビューション性能を評価するためのベンチマークスイートを提案する。
論文 参考訳（メタデータ） (2023-07-17T17:14:17Z) - Continuous U-Net: Faster, Greater and Noiseless [2.6163085620813287]
画像セグメンテーションのための新しいネットワークファミリーであるContinuous U-Netを紹介する。
より高速な収束、高ロバスト性、ノイズに対する感度の低下を示す理論的な保証を提供する。
本研究では, 医用画像セグメンテーションベンチマークデータセットにおいて, 既存のU-Netブロックよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-02-01T17:46:00Z) - Multi-Sample Training for Neural Image Compression [11.167668701825134]
現在の最先端(ソータ)法では、一様後部を近似量子化雑音とし、単サンプルパスワイズ推定器を用いて証拠下界(ELBO)の勾配を近似する。
ELBOよりも厳密で,サンプルサイズの増加とともにログ可能性に収束するマルチサンプル重み付きオートエンコーダ(IWAE)ターゲットを用いたNIC訓練を提案する。
我々のMS-NICはプラグアンドプレイであり、他のニューラル圧縮タスクに容易に拡張できる。
論文 参考訳（メタデータ） (2022-09-28T04:42:02Z) - KXNet: A Model-Driven Deep Neural Network for Blind Super-Resolution [57.882146858582175]
我々は、ブラインドSISRのためのモデル駆動型ディープニューラルネットワークKXNetを提案する。
提案されたKXNetは、SISRタスクの根底にある固有の物理的メカニズムと完全に統合されている。
合成データおよび実データを用いた実験は,提案手法の精度と汎用性を良好に証明する。
論文 参考訳（メタデータ） (2022-09-21T12:22:50Z) - Neural network relief: a pruning algorithm based on neural activity [47.57448823030151]
重要でない接続を非活性化する簡易な重要スコア計量を提案する。
MNIST上でのLeNetアーキテクチャの性能に匹敵する性能を実現する。
このアルゴリズムは、現在のハードウェアとソフトウェアの実装を考えるとき、FLOPを最小化するように設計されていない。
論文 参考訳（メタデータ） (2021-09-22T15:33:49Z) - Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。
異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。
深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
論文 参考訳（メタデータ） (2021-06-24T12:23:05Z) - Automatic Perturbation Analysis for Scalable Certified Robustness and
Beyond [171.07853346630057]
ニューラルネットワークに対する線形緩和に基づく摂動解析(LiRPA)は、堅牢性検証と認証防御のコアコンポーネントとなっている。
我々は任意のニューラルネットワーク構造上で摂動解析を可能にするための自動フレームワークを開発する。
我々は、Tiny ImageNetとDownscaled ImageNetのLiRPAベースの認証防御を実証する。
論文 参考訳（メタデータ） (2020-02-28T18:47:43Z)
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。