超越二元分类：面向通用AI生成图像检测的半监督方法

生成模型（如StyleGAN、Midjourney、DALL-E）的快速发展产生高度逼真的合成图像，对数字媒体真实性构成严峻挑战。这些生成模型主要基于生成对抗网络（GAN）和扩散模型（DM）等核心架构。当前鉴定工具的关键漏洞在于检测器难以实现跨架构的泛化，尤其是跨越GAN与DM等架构边界。我们假设，这一差距源于不同架构产生的基本性质差异。本文提供理论分析，阐明GAN与DM架构的不同优化目标导致不同的流形覆盖行为：GAN允许部分覆盖，常导致边界性质；DM强制完整覆盖，产生过平滑模式。基于此，我们提出TriDetect（Triarchy Detector）——一种半监督方法，通过发现“假”类别中的潜在架构模式来增强二元分类。TriDetect采用Sinkhorn-Knopp算法实现平衡聚类分配，并引入跨视图一致性机制，引导模型学习基本架构差异。我们在两个标准基准和三个野生数据集上进行评估，对13个基线方法进行对比，展示其对未知生成器的泛化能力。