Comparing the robustness of modern no-reference image- and video-quality metrics to adversarial attacks

要約

現在、ニューラル ネットワーク ベースの画像およびビデオ品質メトリクスは、従来の方法と比較して優れたパフォーマンスを示しています。
ただし、視覚的な品質を向上させることなくメトリクスのスコアを増加させる敵対的な攻撃に対しても脆弱になりました。
品質指標の既存のベンチマークは、主観的な品質および計算時間との相関関係の観点からパフォーマンスを比較します。
ただし、画質メトリクスの敵対的な堅牢性も研究する価値のある領域です。
このペーパーでは、さまざまな敵対的攻撃に対する最新のメトリクスの堅牢性を分析します。
私たちはコンピュータ ビジョン タスクからの敵対的攻撃を採用し、攻撃の効率を 15 の非参照画像/ビデオ品質指標と比較しました。
一部のメトリクスは敵対的攻撃に対して高い耐性を示しており、ベンチマークでの使用は脆弱なメトリクスよりも安全です。
このベンチマークは、メトリクスを攻撃に対してより堅牢にしたい、またはニーズに合ったメトリクスを見つけたいと考えている研究者向けに、新しいメトリクスの提出を受け付けています。
pip install堅牢性ベンチマークを使用してベンチマークを試してください。

要約(オリジナル)

Nowadays neural-network-based image- and video-quality metrics show better performance compared to traditional methods. However, they also became more vulnerable to adversarial attacks that increase metrics’ scores without improving visual quality. The existing benchmarks of quality metrics compare their performance in terms of correlation with subjective quality and calculation time. However, the adversarial robustness of image-quality metrics is also an area worth researching. In this paper, we analyse modern metrics’ robustness to different adversarial attacks. We adopted adversarial attacks from computer vision tasks and compared attacks’ efficiency against 15 no-reference image/video-quality metrics. Some metrics showed high resistance to adversarial attacks which makes their usage in benchmarks safer than vulnerable metrics. The benchmark accepts new metrics submissions for researchers who want to make their metrics more robust to attacks or to find such metrics for their needs. Try our benchmark using pip install robustness-benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google