Stochastic BIQA: Median Randomized Smoothing for Certified Blind Image Quality Assessment

要約

最新の No-Reference Image-Quality Assessment (NR-IQA) メトリクスのほとんどは、敵対的な攻撃に対して脆弱なニューラル ネットワークに基づいています。
このようなメトリクスに対する攻撃は、誤った画像/ビデオ品質予測につながり、特に公開ベンチマークにおいて重大なリスクをもたらします。
画像処理アルゴリズムの開発者は、敵対的な画像の実際の品質を向上させることなく、ターゲット IQA メトリックのスコアを不当に増加させる可能性があります。
IQA メトリクスに対する経験に基づく防御策がいくつか提案されていますが、それらは理論的な保証を提供するものではなく、適応型攻撃に対して脆弱である可能性があります。
この研究は、証明された堅牢な非参照 IQA メトリクスの開発に焦点を当てています。
私たちの方法は、防御された IQA メトリックの SROCC および PLCC スコアを改善するために、ランキング損失を伴う追加の畳み込みノイズ除去と組み合わせたメディアン スムージング (MS) に基づいています。
3 つのデータセットに対する以前の 2 つの方法と比較して、私たちの方法は同等の認定保証を維持しながら、優れた SROCC および PLCC スコアを示しました。

要約(オリジナル)

Most modern No-Reference Image-Quality Assessment (NR-IQA) metrics are based on neural networks vulnerable to adversarial attacks. Attacks on such metrics lead to incorrect image/video quality predictions, which poses significant risks, especially in public benchmarks. Developers of image processing algorithms may unfairly increase the score of a target IQA metric without improving the actual quality of the adversarial image. Although some empirical defenses for IQA metrics were proposed, they do not provide theoretical guarantees and may be vulnerable to adaptive attacks. This work focuses on developing a provably robust no-reference IQA metric. Our method is based on Median Smoothing (MS) combined with an additional convolution denoiser with ranking loss to improve the SROCC and PLCC scores of the defended IQA metric. Compared with two prior methods on three datasets, our method exhibited superior SROCC and PLCC scores while maintaining comparable certified guarantees.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google