超越已知伪造：通过事后分布对齐实现 AI 生成图像的泛化检测
密码学与安全
2026-01-19 v2 人工智能
计算机视觉与模式识别
摘要
高度逼真的 AI 生成图像的迅速泛滥带来了严重的安全威胁，如虚假信息和身份欺诈。在开放世界环境中检测生成图像尤为困难，因为它们可能来自未知的生成器，而现有方法通常依赖于特定模型的伪影并需要在新伪造数据上重新训练，这限制了它们的泛化能力和可扩展性。在这项工作中，我们提出了事后分布对齐（PDA），一个用于检测未知生成威胁下 AI 生成图像的泛化且与模型无关的框架。具体而言，PDA 通过已知生成模型重新生成测试图像，将检测重新表述为分布对齐任务。当真实图像被重新生成时，它们继承了特定模型的伪影并与已知伪造分布对齐。相反，重新生成的未知伪造图像包含不兼容或混合的伪影，保持未对齐状态。这种差异使得在已知生成模型上训练的现有检测器能够准确区分真实图像与未知伪造图像，而无需访问未见数据或重新训练。在 16 个 SOTA 生成模型（包括 GAN、扩散模型和商业文本到图像 API（如 Midjourney））上的大量实验表明，PDA 实现了 96.69% 的平均检测准确率，比最佳基线高出 10.71%。全面的消融研究和鲁棒性分析进一步证实了 PDA 对分布偏移和图像变换的泛化能力和鲁棒性。总体而言，我们的工作为不断涌现新生成模型的真实世界 AI 生成图像检测提供了一种实用且可扩展的解决方案。
引用
@article{arxiv.2502.10803,
title = {Beyond Known Fakes: Generalized Detection of AI-Generated Images via Post-hoc Distribution Alignment},
author = {Li Wang and Wenyu Chen and Xiangtao Meng and Zheng Li and Shanqing Guo},
journal= {arXiv preprint arXiv:2502.10803},
year = {2026}
}