对抗特征学习：针对通用 AI 生成图像检测的抗模式与内容偏差
计算机视觉与模式识别
2026-04-15 v1
摘要
近年来，生成式人工智能技术的快速发展大幅降低了高质量假图像的制作门槛，严重挑战了信息的真实性与可信度。现有的生成图像检测方法通常通过模型架构或网络设计来增强泛化性，但其泛化性能仍受数据偏差影响，训练数据可能导致模型拟合特定的生成模式和内容，而非来自不同生成模型共享的通用特征（存在非对称偏差学习）。为此，我们提出多维对抗特征学习（MAFL）框架。该框架采用预训练的多模态图像编码器作为特征提取主干，构建真假特征学习网络，并设计配备多维对抗损失的对抗偏差学习分支，形成在真实性判别特征学习与偏差特征学习之间的对抗训练机制。通过抑制生成模式和内容偏差，MAFL 引导模型聚焦于跨不同生成模型共享的生成特征，从而有效捕捉真实图像与生成图像之间的根本差异，增强跨模型泛化，并显著降低对大规模训练数据的依赖。通过大量实验验证，我们的方法在准确率提升 10.89%、平均精度（AP）提升 8.57%方面显著优于现有最先进方法。值得注意的是，即使仅使用 320 张图像训练，也能在公开数据集上实现 80% 以上的检测准确率。
引用
@article{arxiv.2604.12353,
title = {Combating Pattern and Content Bias: Adversarial Feature Learning for Generalized AI-Generated Image Detection},
author = {Haifeng Zhang and Qinghui He and Xiuli Bi and Bo Liu and Chi-Man Pun and Bin Xiao},
journal= {arXiv preprint arXiv:2604.12353},
year = {2026}
}