超越伪影：面向真实中心的包络建模用于可靠的AI生成图像检测
计算机视觉与模式识别
2025-12-25 v1
摘要
生成模型的快速发展加剧了在真实世界条件下进行可靠和鲁棒检测的需求。然而，现有的检测器常常过拟合于生成器特定的伪影，并对真实世界的退化保持高度敏感。随着生成架构的演变以及图像经历多轮跨平台共享和后处理（链式退化），这些伪影线索变得过时且更难检测。为了解决这个问题，我们提出了面向真实中心的包络建模（REM），这是一种将检测从学习生成器伪影转变为对真实图像鲁棒分布进行建模的新范式。REM在自重建中引入特征级扰动以生成近真实样本，并采用具有跨域一致性的包络估计器来学习一个包围真实图像流形的边界。我们进一步构建了RealChain，一个涵盖开源和商业生成器并模拟真实世界退化的综合基准。在八个基准评估中，REM相比最先进的方法平均提升了7.5%的性能，并且值得注意的是，在严重退化的RealChain基准上保持了卓越的泛化能力，为真实世界条件下的合成图像检测奠定了坚实的基础。代码和RealChain基准将在论文被接收后公开发布。
引用
@article{arxiv.2512.20937,
title = {Beyond Artifacts: Real-Centric Envelope Modeling for Reliable AI-Generated Image Detection},
author = {Ruiqi Liu and Yi Han and Zhengbo Zhang and Liwei Yao and Zhiyuan Yan and Jialiang Shen and ZhiJin Chen and Boyi Sun and Lubin Weng and Jing Dong and Yan Wang and Shu Wu},
journal= {arXiv preprint arXiv:2512.20937},
year = {2025}
}