印度 IP-AIGC 检测器公平性：跨生成器研究

现代图像编辑器可以生成保持身份的 AIGC（IP-AIGC），即同一人物在新服装、背景或光照下呈现。当前检测器在此情境下的鲁棒性和公平性尚不明确，尤其是针对缺乏代表性人群。我们认为自己是首次系统性研究印度及南亚面孔的 IP-AIGC 检测，量化跨生成器泛化和群体内部性能。我们从 FairFD 和 HAV-DF 中组装印度专注的训练分割，并使用商业网页 UI 生成器（Gemini 和 ChatGPT）搭建两个独立的 IP-AIGC 测试集（HIDF-img-ip-genai 和 HIDF-vid-ip-genai），并使用保持身份的提示词。我们在预训练（PT）和微调（FT） regimes 下评估两类最新检测器（AIDE 和 Effort），报告 AUC、AP、EER 和准确率。微调可获得强大的域内收益（例如，HAV-DF-test 上 Effort AUC 从 0.739 提升至 0.944；AIDE EER 从 0.484 降至 0.259），但在印度人群的独立 IP-AIGC 上表现持续下降（例如，AIDE 在 HIDF-img-ip-genai 上 AUC 从 0.923 降至 0.563；Effort 从 0.740 降至 0.533），这表明模型对训练生成器线索过拟合。在非 IP HIDF 图像上，PT 性能保持较高，这表明其对保持身份编辑存在特定脆弱性，而非对一般分布偏移。我们的研究确立了 IP-AIGC-Indian 作为具有挑战性且实用相关性的情境，激励保持表示的适应以及面向印度的基准构建，以缩短 AIGC 检测中的泛化差距。