[논문 리뷰] Reversible Adversarial Attack based on Reversible Image Transformation

Zhaoxia Yin, Hua Wang외 3명|arXiv (Cornell University)|2019. 11. 06.

Advanced Image Processing Techniques인용 수 12

한 줄 요약

이 논문은 원본 이미지의 완벽한 복원이 가능하고 높은 이미지 품질을 유지하는 Reversible Adversarial Examples (RAE)를 생성하기 위해 Reversible Image Transformation (RIT)를 사용하는 복원 가능한 적대적 공격 방법을 제안한다. 기존의 데이터 숨기기 기법 대신 RIT를 통해 적대적 편향을 임bedding함으로써, 편향 크기와 관계없이 눈에 띄지 않는 왜곡과 확장 가능한 공격 강도를 달성하여, 이미지 품질과 내성 면에서 이전의 RAE 방법들을 능가한다.

ABSTRACT

In order to prevent illegal or unauthorized access of image data such as human faces and ensure legitimate users can use authorization-protected data, reversible adversarial attack technique is rise. Reversible adversarial examples (RAE) get both attack capability and reversibility at the same time. However, the existing technique can not meet application requirements because of serious distortion and failure of image recovery when adversarial perturbations get strong. In this paper, we take advantage of Reversible Image Transformation technique to generate RAE and achieve reversible adversarial attack. Experimental results show that proposed RAE generation scheme can ensure imperceptible image distortion and the original image can be reconstructed error-free. What's more, both the attack ability and the image quality are not limited by the perturbation amplitude.

연구 동기 및 목표

• 크기가 큰 편향에서 이미지 왜곡과 복원 성능이 열 劣한 기존의 복원 가능한 적대적 공격 방법의 한계를 해결하기 위해.
• 편향의 크기와 관계없이 강력한 공격 능력과 완벽한 이미지 복원 기능을 갖춘 복원 가능한 적대적 예외(RAE)를 가능하게 하기 위해.
• 기존의 복원 가능한 데이터 숨기기(RDH)-기반 RAE 방법의 페이로드 제약을 극복하기 위해 Reversible Image Transformation(RIT)을 활용하기 위해.
• 적대적 예외에서 공격 성공률, 이미지 시각적 품질, 복원 가능성 간의 균형을 향상시키기 위해.
• 인간의 얼굴과 같은 민감한 이미지 데이터를 보호하면서도, 정당한 시스템이 원본 콘텐츠를 복원할 수 있도록 실용적인 솔루션을 제공하기 위해.

제안 방법

• 이 방법은 적대적 예외를 대상 이미지로 간주하고, 원본 이미지를 복원 가능한 방식으로 RIT를 사용해 적대적 예외에 임베딩한다.
• RIT는 원본 이미지 데이터와 같은 보조 정보를 편향 크기와 무관하게 안정적이고 영향이 적은 오버헤드로 임베딩할 수 있다.
• RAE에서 RIT 과정을 역행함으로써 원본 이미지를 복원하며, 오류 없는 복원을 보장한다.
• 기존의 복원 가능한 데이터 임베딩(RDE) 방식에서의 페이로드 제약을 피하기 위해, 편향 신호 임베딩과 보조 정보 임베딩을 분리한다.
• RIT가 편향 크기에 따라 확장되지 않기 때문에 왜곡을 최소화함으로써 높은 이미지 품질을 유지한다.
• 백색 상자 및_BLK 백색 상자 공격 설정을 모두 지원하며, IFGSM 및 C&W와 같은 표준 방법을 통해 적대적 편향을 생성한다.

실험 결과

연구 질문

• RQ1 복원 가능한 이미지 변환(RIT)을 사용하여 고품질의 이미지와 완벽한 복원 기능을 갖춘 복원 가능한 적대적 예외(RAE)를 효과적으로 구성할 수 있는가?
• RQ2 다양한 편향 크기에서 RIT 기반 RAE는 RDE 기반 RAE에 비해 이미지 왜곡과 공격 내성 면에서 어떻게 비교되는가?
• RQ3 기존의 RAE 방법이 페이로드 제약으로 인해 제한되는 것과 달리, 제안된 방법은 편향 강도가 증가해도 강력한 공격 성능을 유지하는가?
• RQ4 RIT에서 보조 정보 오버헤드가 편향 기반 임베딩에 비해 공격 성공률에 어떤 영향을 미치는가?
• RQ5 RIT 기반 RAE 프레임워크는 기존 방법에 비해 공격 능력, 이미지 품질, 복원 가능성 간의 더 나은 트레이드오프를 달성할 수 있는가?

주요 결과

• 제안된 RIT 기반 RAE 방법은 ε=4/225일 때 IFGSM 공격에서 PSNR 30.81 dB를 달성하여, Liu et al.의 RDE 기반 방법(22.64 dB)을 크게 능가한다.
• 더 강력한 편향(ε=8/225) 조건에서도 제안된 방법은 PSNR 27.59 dB를 유지하며, Liu et al.의 방법은 21.93 dB에 머무르며 뛰어난 이미지 품질을 입증한다.
• C&W_L2 공격에서 κ=100일 때 제안된 방법은 PSNR 32.13 dB를 기록했고, Liu et al.의 방법은 22.57 dB에 그쳐 최소한의 왜곡을 보였다.
• DeepFool 공격 설정에서 제안된 방법은 RAE의 PSNR가 35.48 dB에 이르며, 원본 이미지 대비 적대적 이미지 간 비교에서 Liu et al.의 40.24 dB보다 우수한 전반적인 품질 유지 능력을 보였다.
• RDE 기반 방법이 왜곡과 페이로드 제약으로 인해 품질 저하 또는 복원 실패를 겪는 것과 달리, 제안된 방법은 더 큰 편향을 적용해도 이미지 품질 저하 없이 작동한다.
• 공격 성공률이 편향 크기에 의해 제한되지 않으며, 안정적인 보조 정보 임베딩 덕분에 더 강력한 편향에서 높은 공격 성공률을 달성한다.