本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

上回书说到，现在，对抗攻击的理念已经被应用到隐私保护领域：

通过给照片添加肉眼看不出来的对抗性噪声，来蒙蔽人脸识别AI，达到保护隐私的效果。

不过，就有好学的同学提出了这样的疑问，各种App基本都会对图片重新进行压缩，那这种照片「隐身衣」不就会因此失效吗？

最近，武汉大学国家网络安全学院就和Adobe公司合作，针对这个问题进行了研究， 并提出了一种适用于任意压缩方式的抗压缩对抗性图像生成方案。

也就是说，这是一身具有抗压缩能力的照片「隐身衣」。

即使经过处理的照片被社交平台中各种压缩算法改造一番，也依然能保持对抗性。比如，在微博上就可以达到90%以上的成功率。

抗压缩的照片「隐身衣」

一般来说，添加了微小扰动的对抗性实例，都会受到图像压缩方法的影响。

尤其是现在不同社交平台采用的压缩方法都是黑盒算法，压缩方法的变化也给对抗性实例的「抗压性」带来了不小的挑战。

论文一作王志波教授就指出：

在压缩算法未知或不可微的情况下，生成抗压缩的对抗性图像具有很大挑战性。

为了解决这样的问题，这项研究提出了抗压缩对抗框架ComReAdv。

具体而言，方案分为三个步骤。

步骤一：构建训练数据集

通过上传/下载的方式，获取大量原始图像和对应的压缩图像，构建训练数据集。

步骤二：压缩近似

利用原始图像-压缩图像对构成的数据集进行监督学习。

研究人员设计了一个基于编码-解码的压缩近似模型，称为ComModel。该模型被用于学习如何像黑盒压缩算法一样转换图像，以达到近似压缩的目的。

其中，编码器从原始图像中提取多尺度特征，如内在纹理和空间内容特征。

对应的，解码器对压缩后的对应图像进行由粗到细的重构，以模仿真实压缩图像的压缩效果。

通过最小化重构图像和真实压缩图像之间的平均绝对误差（MAE），训练后的ComModel可作为社交平台未知压缩算法的可微近似形式。

步骤三：抗压缩对抗性图像生成

构建优化目标，将ComModel融入到对抗性图像的优化过程中，并使用基于动量的迭代方法(MI-FGSM)进行优化，最终使得生成的对抗性图像具有较好的抗压缩能力。

研究人员表示，该方案不需要任何压缩算法的细节，仅根据适量的原图和压缩图的数据集，便能训练得到未知压缩算法的近似形式，并进一步生成相应的抗压缩对抗性图像，因此，该方案能应用于所有社交平台保护用户隐私。

实验结果

研究团队进行了本地仿真测试（JPEG、JPEG2000、WEBP）和真实的社交平台（Facebook、微博、豆瓣）测试。

本地仿真测试的结果显示，ComReAdv这一方法在「抗压缩」方面超越了SOTA方法，并且，可以有效抵抗不同的压缩方法，具有可扩展性。

而真实社交平台测试的结果也表明，该方法能显著提高对抗性图像的抗压缩能力。

在被不同的压缩方法压缩后，误导Resnet50分类模型的成功率达到了最先进的水平，在微博上可以达到90%以上的成功率。