BriefGPT - AI 论文速递
·
抵御对抗攻击的安全视频质量评估
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
基于神经网络的图像和视频质量度量优于传统方法，但易受对抗攻击。本文分析了15种无参考质量度量在不同攻击下的鲁棒性，发现某些度量更具抗攻击性。研究人员可以提交新方法提高鲁棒性或选择合适的度量。基准测试可通过 pip install robustness-benchmark 使用。
🎯
关键要点
- 基于神经网络的图像和视频质量度量优于传统方法。
- 神经网络度量易受对抗攻击，可能导致指标分数增加而视觉质量不改善。
- 现有质量度量基准主要通过主观质量相关性和计算时间比较性能。
- 图像质量度量的对抗鲁棒性是一个重要研究领域。
- 本文分析了15种无参考质量度量在不同对抗攻击下的鲁棒性。
- 某些度量显示出较高的抗攻击能力，使用更可靠。
- 基准测试接受研究人员提交新方法以提高鲁棒性。
- 研究人员可以通过 pip install robustness-benchmark 使用基准测试。
➡️
