打破 AIGC 图像检测器中的隐空间先验偏置以实现泛化
计算机视觉与模式识别
2025-06-03 v1
摘要
当前的 AIGC 检测器在由训练时使用的同一生成器生成的图像上通常能达到近乎完美的准确率，但难以泛化到未见生成器的输出。我们将这种失败部分归因于隐空间先验偏置：检测器学习了与源自初始噪声向量的模式相关的捷径，而不是学习鲁棒的生成伪影。为了解决这个问题，我们提出了流形对抗训练：在固定条件优化扩散模型的初始隐空间噪声，生成流形对抗样本，使其保持在生成器的输出流形上——这与像素空间攻击不同，后者引入了生成器自身无法复制的离流形扰动，并可能掩盖真正的判别性伪影。为了针对最先进的生成模型进行测试，我们引入了 GenImage++，这是一个仅用于测试的基准，包含来自先进生成器（Flux.1、SD3）的输出，并带有扩展的提示和多样的风格。我们将对抗训练范式应用于 ResNet50 和 CLIP 基线，并在现有的 AIGC 取证基准和最近的挑战数据集上进行了评估。大量实验表明，对抗训练的检测器在没有任何网络重新设计的情况下显著提高了跨生成器的性能。我们关于隐空间先验偏置的发现为未来的数据集构建和检测器评估提供了有价值的见解，指导更鲁棒和可泛化的 AIGC 取证方法的开发。
引用
@article{arxiv.2506.00874,
title = {Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection},
author = {Yue Zhou and Xinan He and KaiQing Lin and Bin Fan and Feng Ding and Bin Li},
journal= {arXiv preprint arXiv:2506.00874},
year = {2025}
}