Universal Perturbation Attack on Differentiable No-Reference Image- and Video-Quality Metrics

要約

普遍的な敵対的摂動攻撃は、畳み込みニューラル ネットワークを使用する画像分類器を分析するために広く使用されています。
現在、一部の攻撃は、画像およびビデオの品質指標を欺くことができます。
したがって、これらの指標の持続可能性分析は重要です。
実際、攻撃によってメトリクスが混乱する可能性がある場合、攻撃者は簡単に品質スコアを上げることができます。
画像アルゴリズムとビデオ アルゴリズムの開発者が独立した処理によってスコアを上げることができるようになると、アルゴリズムの比較はもはや公平ではなくなります。
分類器の普遍的な敵対的摂動のアイデアに触発されて、普遍的な摂動を通じて微分可能な非参照品質メトリックを攻撃する新しい方法を提案します。
この方法を 7 つの非参照画像およびビデオ品質指標 (PaQ-2-PiQ、Linearity、VSFA、MDTVSFA、KonCept512、Nima、および SPAQ) に適用しました。
それぞれについて、それぞれのスコアを増加させる普遍的な摂動を訓練しました。
また、メトリックの安定性を評価する方法を提案し、攻撃に対して最も脆弱で耐性のあるメトリックを特定します。
成功した普遍的な摂動の存在は、信頼できるスコアを提供するメトリックの能力を低下させるようです。
したがって、従来の主観的なテストとベンチマークを補完するためのメトリック信頼性の追加検証として、提案された方法をお勧めします。

要約(オリジナル)

Universal adversarial perturbation attacks are widely used to analyze image classifiers that employ convolutional neural networks. Nowadays, some attacks can deceive image- and video-quality metrics. So sustainability analysis of these metrics is important. Indeed, if an attack can confuse the metric, an attacker can easily increase quality scores. When developers of image- and video-algorithms can boost their scores through detached processing, algorithm comparisons are no longer fair. Inspired by the idea of universal adversarial perturbation for classifiers, we suggest a new method to attack differentiable no-reference quality metrics through universal perturbation. We applied this method to seven no-reference image- and video-quality metrics (PaQ-2-PiQ, Linearity, VSFA, MDTVSFA, KonCept512, Nima and SPAQ). For each one, we trained a universal perturbation that increases the respective scores. We also propose a method for assessing metric stability and identify the metrics that are the most vulnerable and the most resistant to our attack. The existence of successful universal perturbations appears to diminish the metric’s ability to provide reliable scores. We therefore recommend our proposed method as an additional verification of metric reliability to complement traditional subjective tests and benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google