Benchmarking Adversarial Robustness of Image Shadow Removal with Shadow-adaptive Attacks

本文探讨了图像阴影去除任务，其目的是消除图像中存在的区域阴影，并恢复具有一致照明的视觉效果。虽然近期的深度学习技术在图像阴影去除方面表现出了令人印象深刻的性能，但它们对抗性攻击的鲁棒性仍然鲜为人知。此外，许多现有的攻击框架通常为整个输入图像分配统一的扰动预算，这可能不适用于攻击阴影图像。这主要是由于阴影图像内部的空间变化照明的独特特征。本文提出了一种新的方法，称为阴影自适应对抗攻击。与标准的对抗攻击不同，我们的攻击预算是基于阴影图像不同区域的像素强度进行调整的。因此，在阴影区域中优化的对抗性噪声变得在视觉上不太可感，同时允许在非阴影区域中更大的扰动容忍度。所提出的阴影自适应攻击自然地与阴影图像中的变化照明分布相一致，从而产生的扰动更不显眼。在此基础上，我们对现有的阴影去除方法进行了全面的实证评估，并在公开可用的数据集上对它们进行了各种程度的攻击。

本论文旨在解决图像阴影去除中的对抗攻击问题，即如何使深度学习模型对抗攻击更加鲁棒。同时，论文还对现有的攻击框架在阴影图像中的适用性进行了探讨。

论文提出了一种新的阴影自适应对抗攻击方法，即根据阴影图像中不同区域的像素强度调整攻击预算，使得对阴影区域的优化对抗噪声不太明显，同时对非阴影区域的扰动容忍度更高。这种方法能够自然地适应阴影图像中不同的照明分布，从而产生更不明显的扰动。

论文通过实验对现有的阴影去除方法进行了全面评估，使用了公开数据集，同时提供了开源代码。此外，本文提出的阴影自适应对抗攻击方法为阴影去除任务中的对抗攻击问题提供了新思路。

近期在这个领域的相关研究包括：1. Learning to See in the Dark with Fast Global-Sum Pooling Network；2. Deep Learning for Image Shadow Removal: A Survey；3. A Review of Recent Advances in Shadow Detection and Removal