面向鲁棒AI生成图像检测的退化一致配对训练
计算机视觉与模式识别
2026-05-27 v2 人工智能
摘要
AI生成图像检测器在面对JPEG压缩、高斯模糊与分辨率下采样等真实世界图像退化时表现显著下降。我们观察到，当前最先进的方法（包括B-Free）将鲁棒性视为数据增强的副产品，而非显式的训练目标。为此，本文提出了退化一致配对训练（Degradation-Consistent Paired Training, DCPT）——一种简单却高效的训练策略，通过配对一致性约束显式实现鲁棒性。对于每张训练图像，我们构建干净视图与退化视图，然后施加两项约束：一种基于余弦距离的特征一致性损失，以最小化干净与退化表示之间的距离；另一种基于对称KL散度的预测一致性损失，对齐跨视图的输出分布。DCPT无需额外参数，推理时也无额外开销。在包含9种生成器、8种退化条件的Synthbuster基准测试中，实验表明，DCPT相较于无配对训练的相同基线，提高了退化条件下的平均准确率9.1个百分点，仅牺牲0.9%的干净图像准确率。在JPEG压缩场景下，提升最为显著，提升幅度达到+15.7%至+17.9%。消融实验进一步揭示：引入架构组件会导致在有限训练数据上过拟合，确认提升训练目标比架构增强更有效地提升退化鲁棒性。
引用
@article{arxiv.2604.10102,
title = {Degradation-Consistent Paired Training for Robust AI-Generated Image Detection},
author = {Zongyou Yang and Yinghan Hou and Xiaokun Yang},
journal= {arXiv preprint arXiv:2604.10102},
year = {2026}
}
备注
6 pages, 5 figures, 2 tables