CausalCLIP：基于因果推断的特征解�合与过滤，用于通用生成图像检测

生成模型的快速发展增加了对能够跨越多样化且不断演变的生成技术进行的生成图像检测器需求。然而，现有方法，包括利用预训练视觉语言模型的方法，往往会产生高度交织的表示，混合任务相关的 Forensic 线索（因果特征）与无关或不相关的模式（非因果特征），从而限制了泛化能力。为此，我们提出了 CausalCLIP 框架，该框架显式地解缔因果与非因果特征，并利用因果推断原则实施针对性的过滤，以保留最具可迁移性和判别性的 Forensic 线索。通过构建结构化因果模型并通过 Gumbel-Softmax 基于特征遮蔽和 Hilbert-Schmidt 独立性准则 (HSIC) 约束来强制执行统计独立性，CausalCLIP 隔离稳定的因果特征，能够抵御分布迁移。当在来自不同系列的未见生成模型上进行测试时，CausalCLIP 显示出强大的泛化能力，准确率和平均精度分别提高了 6.83% 和 4.06%。