手工滤波器在归因AI生成图像方面是否有帮助？

最近提出了大量图像生成模型，这引发了人们对这些人工智能技术被用于生成假图像的担忧。为了归因AI生成图像，现有的方案通常设计并训练深度神经网络（DNN）以学习模型指纹，这通常需要大量数据才能有效学习。本文旨在回答以下两个问题：1) 是否可以设计有用的手工滤波器来促进指纹学习？2) 在我们引入手工滤波器后，如何减少训练数据的需求？我们首先提出了一组多方向高通滤波器（Multi-Directional High-Pass Filters, MHFs），这些滤波器能够从 various 方向提取细微的指纹。然后，我们提出了一种方向增强特征学习网络（Directional Enhanced Feature Learning network, DEFL），该网络考虑到MHFs和随机初始化的滤波器。DEFL的输出与语义特征融合，以产生紧凑的指纹。为了使紧凑指纹在不同模型之间具有辨识度，我们提出了一种双边对比损失（Dual-Margin Contrastive, DMC loss）来调节DEFL。最后，我们提出了一种基于参考的指纹分类方案，用于图像归因。实验结果表明，使用我们的MHFs对归因AI生成图像确实是有帮助的。我们提出的方法在封闭集和开放集图像归因中性能显著优于当前最先进的方法，其中仅需少量图像进行训练。