所有图像块都很重要，更多图像块更好：通过全景图像块学习提升AI生成图像检测
计算机视觉与模式识别
2026-03-24 v3
摘要
AI生成图像（AIGI）的指数级增长凸显了对稳健且可泛化检测方法的紧迫需求。本文通过系统性分析建立了两个关键原理：（1）所有图像块都很重要：不同于常规图像分类中判别特征集中在物体中心区域，AIGI中的每个图像块本质上都包含合成器材，表明每个图像块都是检测的重要器材来源。（2）更多图像块更好：利用更多图像块中的分布式器材通过捕获互补的forensic证据来提升检测鲁棒性，减少对特定图像块的过度依赖，从而增强鲁棒性和泛化性。然而，我们的反事实分析揭示了不寻理的现象：不公地训练的检测器常常表现出少量图像块偏差，仅凭少数图像块就能区分真实与合成图像。我们识别出懒惰学习者（Lazy Learner）为根本原因：检测器倾向于学习有限图像块中显眼的器材，同时忽略更广泛的器材分布。为解决此偏差，我们提出了全景图像块学习（Panoptic Patch Learning，PPL）框架，包括：（1）随机图像块替换：随机替换合成图像块为真实图像块，以迫使模型识别未充分利用区域的器材，鼓励更广泛地使用更多图像块；（2）图像块级对比学习：强制所有图像块具备一致的判别能力，确保所有图像块被均匀利用。实验在多个基准数据集上的不同设置下验证了我们方法的有效性。
引用
@article{arxiv.2504.01396,
title = {All Patches Matter, More Patches Better: Enhance AI-Generated Image Detection via Panoptic Patch Learning},
author = {Zheng Yang and Ruoxin Chen and Zhiyuan Yan and Ke-Yue Zhang and Xinghe Fu and Shuang Wu and Xiujun Shu and Taiping Yao and Shouhong Ding and Zequn Qin and Xi Li},
journal= {arXiv preprint arXiv:2504.01396},
year = {2026}
}