基于交叉注意力增强双流网络的AI生成图像检测
计算机视觉与模式识别
2023-11-10 v2 密码学与安全
摘要
随着 AI 生成内容（AIGC）的快速发展，相较于传统的计算机生成图形（CG），该技术生成的伪造图像本质上更具欺骗性且需要更少的人为干预。然而，由于 CG 与 AIGC 之间的差异，传统的 CG 检测方法往往不足以识别 AIGC 生成的图像。为解决此问题，我们的研究聚焦于 AIGC 中的文本到图像生成过程。首先，我们利用 DALLE2 和 DreamStudio 两个不同 AI 系统构建了两个文本到图像数据库。为整体捕捉 AIGC 产生的固有异常，我们开发了一个由残差流和内容流组成的鲁棒双流网络。前者采用空间富模型（SRM）从图像中细致提取各类纹理信息，后者旨在捕捉低频中的额外伪造痕迹，从而提取残差流可能忽略的互补信息。为增强两流之间的信息交换，我们引入了交叉多头注意力机制。我们在两个数据库上进行了大量对比实验，结果表明我们的检测方法在各种图像分辨率下始终优于传统 CG 检测技术。此外，通过一系列鲁棒性测试和跨数据库实验，我们的方法展现出优越性能。当应用于 SPL2018 和 DsTok 等广受认可的传统 CG 基准时，我们的方法在 CG 检测领域显著超越其他现有方法的能力。
引用
@article{arxiv.2306.07005,
title = {AI-Generated Image Detection using a Cross-Attention Enhanced Dual-Stream Network},
author = {Ziyi Xi and Wenmin Huang and Kangkang Wei and Weiqi Luo and Peijia Zheng},
journal= {arXiv preprint arXiv:2306.07005},
year = {2023}
}
备注
8 pages, 41 figures