CoDA：基于颜色分布探针用于高效通用AI生成图像检测
计算机视觉与模式识别
2026-05-26 v1
摘要
AI生成图像检测面临泛化性与效率之间的持久权衡：轻量级基于损伤的方法常在未见的生成器或领域上表现下降，而更稳健的大规模模型又昂贵。此外，现有基准主要关注在照片写实场景下的跨模型评估，留下了跨域鲁棒性未被充分探索。为此，我们引入FakeForm，一个约37万张图片、覆盖62个多样化领域的大规模基准，用于跨模型和跨域评估。受此更广阔设置启发，我们重新审视基于颜色分布探针的方法作为AI生成图像检测的高效补充线索。我们观察到，尤其是对于摄影内容，真实照片倾向于表现出更平滑且更稳定的颜色模式，而合成图像常显示由神经网络生成引起的特征性颜色失衡。基于此观察，我们提出CoDA，一个基于噪声量化探针构建的紧凑型1.48M参数检测器，同时给出理论分析将探针响应与颜色非均匀性关联。实验表明，CoDA在标准基准上实现最佳性能，并在FakeForm具挑战性的跨域评估中取得最佳结果，同时在跨模型照片写实设置中保持高度竞争力。这表明持久的生成损伤可为高效稳健的AI生成图像检测提供实用基础。该模型和FakeForm基准将公开释放。
引用
@article{arxiv.2605.24306,
title = {CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection},
author = {Zexi Jia and Zhiqiang Yuan and Xiaoyue Duan and Jinchao Zhang and Jie Zhou and Anil K. Jain},
journal= {arXiv preprint arXiv:2605.24306},
year = {2026}
}