A Training-Free Defense Framework for Robust Learned Image Compression

要約

私たちは、敵対的な攻撃に対する学習済み画像圧縮モデルの堅牢性を研究し、単純な画像変換関数に基づいたトレーニング不要の防御手法を提示します。
最近学習された画像圧縮モデルは、低い圧縮率、低い再構成品質、または奇妙なアーティファクトを引き起こす敵対的な攻撃に対して脆弱です。
この制限に対処するために、既存の画像圧縮モデルに簡単に適用できる、ランダム入力変換を備えたシンプルだが効果的な双方向圧縮アルゴリズムを提案します。
単純なアプローチとは異なり、私たちのアプローチでは、クリーンなイメージ上のモデルの元のレート歪みパフォーマンスが維持されます。
さらに、提案されたアルゴリズムは追加のトレーニングや既存のモデルの変更を必要としないため、より実用的になります。
複数の圧縮モデル、評価指標、攻撃シナリオの下での広範な実験を通じて、提案された手法の有効性を実証します。

要約(オリジナル)

We study the robustness of learned image compression models against adversarial attacks and present a training-free defense technique based on simple image transform functions. Recent learned image compression models are vulnerable to adversarial attacks that result in poor compression rate, low reconstruction quality, or weird artifacts. To address the limitations, we propose a simple but effective two-way compression algorithm with random input transforms, which is conveniently applicable to existing image compression models. Unlike the na\’ive approaches, our approach preserves the original rate-distortion performance of the models on clean images. Moreover, the proposed algorithm requires no additional training or modification of existing models, making it more practical. We demonstrate the effectiveness of the proposed techniques through extensive experiments under multiple compression models, evaluation metrics, and attack scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google