近日，多媒体领域的顶级国际会议 ACM国际多媒体会议（ACM International Conference on Multimedia，ACM MM 2022）录用结果揭晓，实验室的两篇论文均被录用，分别是胡胜山副研究员的论文 “BadHash: Invisible Backdoor Attacks against Deep Hashing with Clean Label”和博士生付佳韵的论文 “ChartStamp: Robust Chart Encoding for Real-World Applications”。

近年来，深度神经网络已被证实具有脆弱性，基于深度学习的图像检索系统的对抗研究引起了部分学者注意。然而，另一种针对神经网络危害性更大的后门攻击却没有被很好的研究。如何平衡后门攻击的有效性和恶意样本的隐蔽性是该领域的难题，胡胜山在论文中探索了具有大规模多媒体检索应用场景的深度哈希算法的鲁棒性。首次提出了在基于深度哈希的图像检索领域实现有效后门攻击的条件。利用深度哈希的特质，提出一种基于标签的对比学习网络结构提取迷惑类的特征来提高后门攻击的有效性，并结合条件生成对抗训练网络生成不可区分的恶意样本提高干净标签后门攻击的隐蔽性。实验的攻击效果保证了在不低于业界领先的后门攻击有效性的基础上实现了更好的隐蔽性。

基于深度神经网络（Deep Neural Networks）的图像嵌入方法可以将特定信息经由神经网络编码器（Encoder）嵌入图像，生成的嵌入图像经过解码器（Decoder）处理可恢复嵌入信息，常被应用于图像重用和图像溯源等方面。但对于图表这一广泛使用的图像类型，由于其大部分由低频同质化区域组成，缺少中高频区域以隐藏嵌入信息，导致难以兼顾嵌入图像的鲁棒性和不可察觉性。付佳韵在论文中提出了ChartStamp,即第一个在保持高感知质量的同时对现实中打印及拍照失真鲁棒的图表嵌入方法。ChartStamp在训练中使用了失真层（Distortion Layer）模拟打印和拍照失真以增强鲁棒性，定义了新的感知模型并引入了平滑损失以指导图像扰动（Residue）发生在图表不易被察觉的位置并尽量平滑。实验表明在经历打印拍照的失真后ChartStamp仍能保持恢复信息的高准确率，而用户实验表明ChartStamp的感知质量优于现有鲁棒性图表嵌入方法。

ACM MM是多媒体领域的顶级国际会议，也是中国计算机学会（CCF）推荐的A类会议。本届会议共收到2473篇投稿，共录用690篇论文，录用率约为27.9%。

（通讯员：张业超、付佳韵）