論文の概要: Fast Test-Time Refinement for Robust Learned Image Compression

• arxiv url: http://arxiv.org/abs/2608.15113v1
• Date: Sat, 15 Aug 2026 08:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.202185
• Title: Fast Test-Time Refinement for Robust Learned Image Compression
• Title（参考訳）: ロバスト学習画像圧縮のための高速テスト時間短縮
• Abstract要約: 学習された画像圧縮(lic)は、良質な設定で顕著なレート歪み(RD)性能を示した。 ディープニューラルネットワーク(DNN)によって与えられる高い表現能力は、敵の脆弱性の増加を犠牲にしている。 実用的でロバストなlicシステムのためのFTTR(Fast Test-Time Refinement Tube)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 76.1340081619183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned image compression (LIC) has demonstrated remarkable rate-distortion (RD) performance in benign settings. However, the high representational capacity endowed by deep neural networks (DNNs) comes at the expense of increased adversarial vulnerability. This hinders their adoption as trusted standardized codecs. Recent work has sketched test-time refinement (TTR) as a defense in gray-box scenarios, despite its original purpose of improving benign RD performance. Unfortunately, extensive iterations of TTR incur prohibitive overhead, while the robustness mechanism lacks theoretical understanding. Moreover, TTR has not been evaluated in white-box settings or against attacks beyond $\ell_2$-bounded rate and untargeted distortion objectives. To bridge these gaps, we present a systematic study. Our study reveals an Asymmetric Adversarial Trajectory (AAT) property in LIC systems: transitioning from adversarial to benign regions is significantly easier than the reverse process, where adversarial examples can often be roughly recovered within only 1-2 steps. We provide a two-dimensional Tube Model to explain this phenomenon. Based on AAT, we propose a Fast Test-Time Refinement (FTTR) framework for practical and robust LIC systems. We establish that the robustness arises from the contraction of adversarial regions induced by the Input-as-Label property of LIC systems, rather than from obfuscated gradients. Extensive evaluations with diverse strong adaptive attacks across multiple LIC systems demonstrate the promise of the proposed FTTR framework. The code is available at https://github.com/chinaliangjiaming/FTTR.git.
• Abstract（参考訳）: 学習された画像圧縮(lic)は、良質な設定で顕著なレート歪み(RD)性能を示した。 しかし、ディープニューラルネットワーク(DNN)によって与えられる高い表現能力は、敵の脆弱性の増加を犠牲にしている。 これにより、信頼された標準コーデックとしての採用が妨げられる。 最近の研究は、良質なRD性能を改善するという本来の目的にもかかわらず、グレーボックスシナリオの防御手段としてテスト時間改善(TTR)をスケッチしている。 残念なことに、TTRの広範な反復は、理論的な理解に欠ける一方で、禁止的なオーバーヘッドを引き起こしている。 さらに、TTRは、ホワイトボックスの設定や$$\ell_2$-bounded rateや未ターゲットの歪み目標を超える攻撃では評価されていない。 これらのギャップを埋めるために、系統的研究を行う。 本研究は,非対称な対向軌道(AAT)特性を明らかにし,対向領域から対向領域への遷移は逆過程よりも著しく容易であり,対向例は1-2ステップで大まかに回収できる。 この現象を説明するための2次元チューブモデルを提供する。 AATに基づいて,実用的で堅牢なシステムのためのFTTR(Fast Test-Time Refinement)フレームワークを提案する。 このロバスト性は、難解勾配ではなく、lic系の入力・アズ・ラベル特性によって引き起こされる逆領域の収縮によって生じると証明する。 複数のlicシステムにまたがる多種多様な適応攻撃による広範囲な評価は、提案したFTTRフレームワークの可能性を実証している。 コードはhttps://github.com/chinaliangjiaming/FTTR.gitで公開されている。

関連論文リスト

• Robust Activation Map Rectification for Weakly Supervised Volumetric Segmentation: Temporal Coherence as a Free Lunch [31.156115062163412]
  弱教師付きセグメンテーションは、最初にターゲット領域をローカライズするためにクラスアクティベーションマップ(CAM)に大きく依存している。 既存の治療法は、通常、追加のトレーニングステージやプロトタイプ学習を導入し、計算コストを増大させ、堅牢性を低下させる。 本研究では, 容積データの時間的・構造的コヒーレンスをフリーランチとして利用することにより, 信頼できないCAMを修正できる, トレーニング不要なプロトタイプフリーフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T08:07:38Z)
• Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
  既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。 実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。 動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
  論文  参考訳（メタデータ） (2026-06-08T17:06:51Z)
• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• Test-Time Training Undermines Safety Guardrails [53.00299679873018]
  テスト時間トレーニング(TTT)は、モデルが推論中にパラメータを適応できるようにする新しいパラダイムである。 TTTの3つの脅威モデルを特定し、攻撃者が安全フィルタをバイパスする方法を実証する。
  論文  参考訳（メタデータ） (2026-05-21T19:27:06Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Contrastive Spectral Rectification: Test-Time Defense towards Zero-shot Adversarial Robustness of CLIP [68.44229678548298]
  コントラストスペクトル整流(Contrastive Spectral Rectification, CSR)は、敵の例に対する効率的な試験時間防御である。 CSRはSOTAを18.1%上回り、AutoAttackに勝っている。 CSRは様々な視覚的タスクに幅広い適用性を示す。
  論文  参考訳（メタデータ） (2026-01-27T05:24:45Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• Adversarial Finetuning with Latent Representation Constraint to Mitigate Accuracy-Robustness Tradeoff [31.600725337209152]
  本稿では,ディープニューラルネットワーク(DNN)におけるクリーンな例に対する標準精度と敵の例に対するロバストさのトレードオフについて論じる。 本稿では, (i) 対逆微調整 (AFT) , (ii) 表現誘導型知識蒸留 (RGKD) , (iii) ノイズリプレイ (NR) の3成分からなる新しいAT法ARRESTを提案する。
  論文  参考訳（メタデータ） (2023-08-31T04:46:12Z)

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。