Localized adversarial artifacts for compressed sensing MRI

要約

画像再構成タスク用のディープ ニューラル ネットワーク (DNN) への関心が高まるにつれて、その信頼性が疑問視されています (Antun et al., 2020; Gottschling et al., 2020)。
しかし、最近の研究では、総変動（TV）最小化と比較して、適切に正則化された場合、DNN は $\ell^2$-再構成誤差の点で敵対的ノイズに対して同様の堅牢性を示すことが示されています (Genzel et al., 2022)。
$\ell^\infty$-norm を使用してロバスト性の別の概念を検討し、局所的な再構成アーティファクトが $\ell^2$-error よりも関連性の高い欠陥であると主張します。
我々は、アンダーサンプリングされた磁気共鳴イメージング測定（周波数領域）に対して敵対的な摂動を作成し、TV 正規化再構成において深刻な局所的なアーティファクトを引き起こします。
特に、同じ攻撃方法は DNN ベースの再構成に対してはそれほど効果的ではありません。
最後に、この現象は $\ell^1$- や TV 最小化による圧縮センシング再構成など、正確な回復が保証できる再構成法に固有のものであることを示します。

要約(オリジナル)

As interest in deep neural networks (DNNs) for image reconstruction tasks grows, their reliability has been called into question (Antun et al., 2020; Gottschling et al., 2020). However, recent work has shown that, compared to total variation (TV) minimization, when appropriately regularized, DNNs show similar robustness to adversarial noise in terms of $\ell^2$-reconstruction error (Genzel et al., 2022). We consider a different notion of robustness, using the $\ell^\infty$-norm, and argue that localized reconstruction artifacts are a more relevant defect than the $\ell^2$-error. We create adversarial perturbations to undersampled magnetic resonance imaging measurements (in the frequency domain) which induce severe localized artifacts in the TV-regularized reconstruction. Notably, the same attack method is not as effective against DNN based reconstruction. Finally, we show that this phenomenon is inherent to reconstruction methods for which exact recovery can be guaranteed, as with compressed sensing reconstructions with $\ell^1$- or TV-minimization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google