将归因视为检索：模型无关的人工智能生成图像归因
计算机视觉与模式识别
2026-03-12 v1
摘要
随着AIGC技术的快速发展，图像鉴定将面临前所未有的挑战。传统方法无法处理由快速演化的图像生成技术生成的越来越逼真的图像。为了促进AI生成图像的识别以及其来源模型的归因，生成式图像水印和AI生成图像归因近年来已成为关键研究焦点。然而，现有方法是模型依赖的，需要访问生成模型，缺乏对新型和未知生成器的普适性和可扩展性。为此，本工作提出了一种将AI生成图像归因形式化为实例检索问题的新范式，而非传统的图像分类问题。我们提出了一种高效的模型无关框架，称为基于低位平面深度伪造归因（Low-bIt-plane-based Deepfake Attribution, LIDA）。LIDA的输入由低位指纹生成模块产生，而训练涉及无监督预训练后继的少样本归因适应。综合实验表明，LIDA在零样和少样设置下均实现了深度伪造检测和图像归因的先进性能。代码地址：https://github.com/hongsong-wang/LIDA
引用
@article{arxiv.2603.10583,
title = {Attribution as Retrieval: Model-Agnostic AI-Generated Image Attribution},
author = {Hongsong Wang and Renxi Cheng and Chaolei Han and Jie Gui},
journal= {arXiv preprint arXiv:2603.10583},
year = {2026}
}
备注
To appear in CVPR 2026, Code is at https://github.com/hongsong-wang/LIDA