Ti-Patch: Tiled Physical Adversarial Patch for no-reference video quality metrics

本文旨在研究无参考图像和视频质量评估的指标。然而，现有的无参考质量评估指标都是基于学习的，容易受到对抗攻击的影响。指标的脆弱性限制了在质量控制系统中使用这些指标以及比较客观算法的应用。此外，将脆弱的指标用作深度学习模型训练的损失可能会误导训练并降低视觉质量。因此，评估指标的脆弱性是当前感兴趣的任务。本文提出了一种在物理空间中测试质量指标脆弱性的新方法。据我们所知，质量指标以前并没有被测试过是否容易受到这种攻击的影响；它们只在像素空间中进行了测试。我们对质量指标应用了物理对抗 Ti-Patch (Tiled Patch) 攻击，并在像素和物理空间中进行了实验。我们还对物理对抗墙纸的实现进行了实验。所提出的方法可以用作脆弱性评估中的额外质量指标，补充传统的主观比较和像素空间中的脆弱性测试。我们已经将我们的代码和对抗视频上传到了 GitHub 上：https://github.com/leonenkova/Ti-Patch。

本论文旨在解决无参考图像和视频质量度量指标易受到对抗攻击的问题，提出了一种在物理空间中测试质量度量指标易受攻击性的方法。

该论文的关键思路是使用物理对抗攻击测试质量度量指标的鲁棒性，以补充传统的基于像素空间的测试方法。

论文通过对Ti-Patch攻击和物理对抗墙纸的实验，证明了该方法的有效性，并将代码和对抗视频公开在GitHub上。该方法可以作为评估质量度量指标易受攻击性的一种补充方法，可用于质量控制系统和深度学习模型训练中。

最近相关的研究包括： - Learning to Detect Adversarial Examples via Convolutional Neural Networks - Adversarial Examples Detection in Deep Networks with Convolutional Filter Statistics