-
Image Super-Resolution as a Defense Against Adversarial Attacks 论文阅读
-
Evaluating Robustness of Deep Image Super-Resolution Against Adversarial Attacks 论文阅读
Image Super-Resolution as a Defense Against Adversarial Attacks 论文阅读
这篇论文发表在 2019 IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
. https://github.com/aamir-mustafa/super-resolution-adversarial-defense
SR defense
论文提出了一种计算有效的图像增强方法，该方法提供了强大的防御机制，可以有效地减轻这种对抗性干扰的影响。作者表明，深度图像恢复网络学习了映射功能，可以将非流形对抗样本带到自然图像流形上，从而将分类恢复为正确的类别。论文的方法的一个显着特征是，除了提供抵御攻击的鲁棒性之外，它还同时提高了图像质量并在干净图像上保留了模型性能。此外，所提出的方法不修改分类器或需要单独的机制来检测对抗图像。该方案的有效性已通过广泛的实验证明，在灰盒环境中被证明具有强大的防御能力。该方案简单易行，具有以下优点：（1）不需要任何模型训练或参数优化;（2）补充了其他现有的防御机制;（3）不受攻击模型和攻击类型的影响，（ 4）它在所有流行的攻击算法中均提供卓越的性能。
-
假设学习到的SR模型具有足够的通用性，可以将非流形样本重新映射到自然图像流形上（参见图1）。小波域滤波进一步抑制了添加噪声的影响，并通过对图像的高分辨率版本进行全局池化操作将其固有地最小化。证明超分辨率可以成功地将分类器的注意力从随机噪声中转移到受攻击图像的更多区分区域。
-
通过广泛的经验评估，显示出图像超分辨率是针对文献中最近提出的各种最先进的攻击的有效防御策略。
-
超级解析对抗性图像会将其投影回由深度图像分类网络学习的自然图像流形。
-
与现有的基于图像变换的技术（在克服对抗性噪声的过程中会引入伪影）不同，该方案保留了关键的图像内容，因此对分类器在干净，无攻击的图像上的性能影响最小。
扰动图像的恢复
超分辨率可抵御对抗攻击：该图说明了样本图像从低分辨率到高分辨率流形的映射。 对抗图像被映射到与干净自然图像相同的域中，从而恢复其对应的真实标签。
作者提出干净的和对抗性的样本位于不同的流形上，并且将图像超分辨到更高维度的空间会将对抗性样本重新映射回自然图像流形。 为了验证此假设，我们微调了一个在ImageNet数据集上的预训练模型，用10,000对干净的和对抗性的示例（从所有上述攻击技术中生成）训练，令它成为一个2分类器。我们的模型有效地利用了干净图像与对抗样本之间的细微差别，并以非常高的准确性（99.6％）将两者分开。
实验计算的事对抗样本的销毁率，即对抗样本被分类正确的概率。
-
用本文的小波去噪（WD)和超分辨率重建（SR)方法和现有的4种防御方法对比，证明本文的WD+SR方法有更好的防御效果。
其实这篇论文都是用已有的小波去噪，超分辨重建方法进行防御，代码都是现有的，主要工作量在于实验对比，得出了超分辨重建可以用来做对抗攻击的防御。
Evaluating Robustness of Deep Image Super-Resolution Against Adversarial Attacks论文阅读
这篇论文发表在 2019 ICCV ,The IEEE International Conference on Computer Vision (ICCV)
基于深度学习的超分辨率重建的方法由称为超分辨率卷积神经网络（SRCNN）的简单卷积网络模型触发的，可以提供更高质量的放大图像。 超分辨率技术的改进将其应用扩展到更广泛的领域，包括视频流，监视，医学诊断和卫星摄影。 尽管引入了许多基于深度学习的超分辨率方法，但
它们对预期攻击的鲁棒性尚未得到充分研究
。
这篇论文研究了基于深度学习的超分辨率方法对抗对抗性攻击的鲁棒性，该方法可
显着降低超分辨率图像的质量
，而不受攻击的低分辨率图像却没有明显的失真。 论文的攻击方法会在输入图像中产生扰动，这些扰动在视觉上并不明显，但会大大降低输出的质量。
-
提出了三种针对超分辨率的对抗攻击方法，包括基本，通用和部分攻击。 这些方法基于图像分类任务中广泛使用的方法，针对超分辨率任务对其进行了优化。
-
通过使用对抗性攻击方法提供实验结果，对超分辨率方法的鲁棒性进行了全面的分析。
-
进一步研究了鲁棒性与模型属性的关系并测量了可传递性。
-
basic attack：基于I-FGSM
对超分辨率模型的对抗攻击的目标是在给定的输入图像中注入少量扰动，以使该扰动在视觉上无法察觉，但会导致超分辨输出的明显恶化。
![]()
超分辨网络输出，
![]()
对抗样本目标是最大程度地提高超分辨输出的恶化量，可以将其定义为：
-
partial attack：
仅通过攻击图像的某些部分来进一步研究超分辨率方法的鲁棒性，但是要测量未受到攻击的区域中的劣化程度。 通过此实验，可以检查在超分辨率过程中扰动渗透到相邻区域的程度。 令
![]()
表示扰动增量的二进制掩码，其中仅将要攻击的区域设置为
![]()
。被掩码的扰动为
![]()
表示逐元素乘法。
在
Python
中，可以使用计算机视觉库 OpenCV 和深度学习库 Keras 来实现图像
超分辨率
处理。
以下是一个简单的示例代码，使用的是 SRResNet 模型(Super-Resolution Residual Network)：
import cv2
from keras.models import load_model
# 加载 SRResNet 模型
model = load_m...
🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩基于深度学习的图像
超分辨率重建
算法研究与实现🥇学长这里给一个题目综合评分(每项满分5分)难度系数：4分工作量：4分创新点：3分图像的
超分辨率重建
技术指的是将给定的低分辨率图像通过特定的算法恢复成相应的高分辨率图像。
数字图像
超分辨率
是一种技术，可以通过对图像进行处理来提高其分辨率。您可以使用
Python
实现数字图像
超分辨率
。
这是一个使用
Python
和 TensorFlow 实现数字图像
超分辨率
的示例代码：
import tensorflow as tf
import numpy as np# 加载图像并将其转换为张量
def
preprocess_image(image):
image = tf...
文章目录@[TOC](文章目录)1、CUDA2、Anaconda33、cuDNN和Pytorch安装这里值得注意的是(30系显卡安装Pytorch时)：4、Fluent Terminal5、Real-ESRGAN算法的部署运行安装上手运行
Python
脚本的用法anaconda环境基础操作1.安装Anaconda。2.conda常用的命令（1）查看安装了哪些包（2)查看当前存在哪些虚拟环境（3)检查更新当前conda3.
Python
创建虚拟环境4.激活或者切换虚拟环境5.对虚拟环境中安装额外的包6.关闭虚.
本实验将使用时深度学习技术对图像进行
超分辨率重建
，设计到的技术包括了卷积神经网络，生成对抗网络，残差网络等。
二、开发环境
本实验使用到“Microsoft Visual Studio”、“VS Tools for AI”等开发组件，涉及到了“TensorFlow”、“NumPy”、“scipy. misc”、“PIL.image”等框架和库，其中“scipy. misc”与“PIL.image”用于图像处理。本实验还需要“NVIDIA GPU”驱动、“CUDA”和“cuDNN”等。
Alleviation of Gradient Exploding in GANs: Fake Can Be Real
解决问题：GAN的梯度爆炸、模式崩溃问题。
解决方法：在一个mini batch 中 close pairs 多的位置选取假样本，认定其为真样本，再进行训练，来有效防止不平衡分布的产生（FARGAN）。
Cooling-Shrinking
Att
ack
: Blinding the Tr
ack
er with Imperceptible Noises
解决问题：提出一种以无模型方式攻击单目标
薰风说真实场景
超分辨率
是一个这几年非常活跃的研究子方向。真实场景的
超分辨率
其实分为三种类型：Non-blind SR：非盲
超分辨率
方法假设退化参数已知，通过对已知信息的利用对低分辨率输入
图片
进行超分恢复。Blind SR：盲
超分辨率
方法是在未知图像退化参数的情况下对低分辨率
图片
进行超分恢复。Unsupervised：无监督
超分辨率
方法不需要使用
图片
对训练模型，直接在单张
图片
上进行超分恢复。这个比赛...
Image Super-Resolution (ISR) The goal of this project is to upscale and improve the quality of low resolution images.This project contains Keras implementations of different Residual D
ense
Networks...
峰值信噪比（Peak Signal to Noise Ratio，PSNR）是衡量图像质量的常用指标，它表示图像中信号和噪声的比值。通常，较高的 PSNR 值表示图像质量较高。其中，MAX是图像的最大亮度（一般为 255），MSE 是图像的均方误差，表示原图像和处理后的图像的差异。如果需要在
Python
代码中计算 PSNR，可以使用 NumPy 库，并使用它提供的平方误差函数，然后计算 PSNR 值。
一、原理psnr是“Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准1.首先计算mse(均方误差)。对于三通道的RGB图像 计算mse的数学表达式是：转化成代码:2.得到mse后计算PSNR。 其中，MAXI是表示图像点颜色的最大数值，如果每个采样点用 8 位表示，那么就是 255。所以MSE越小，则PSNR越大；所以PSNR越大，代表着图像质量越好。 一般来说， 1、PSNR高于40dB说明图像质量极
基于ECCV2014中的"Learning a Deep Convolutional Network for Image Super-Resolution"一文，用windows+tensorflow实现作者(原文是用caffe实现)的工作。原文链接如下:http://personal.ie.cuhk.edu.hk/~ccloy/files/eccv_2014_deepresolution.pdf...
