通过迭代流形偏差放大检测 AI 生成的伪造图像
计算机视觉与模式识别
2026-02-24 v1
摘要
高度逼真的 AI 生成图像的不断涌现为数字取证领域带来了严峻挑战，要求对人为操纵区域进行精确的像素级定位。现有方法主要学习特定伪造的判别性模式，往往在编辑技术不断演化时难以应对新型操纵。我们提出了迭代伪造放大网络（IFA-Net），该方法将注意力从“什么是假”转向“什么是真”。基于所有操纵都偏离自然图像流形的原理，IFA-Net 使用在真实图像上预训练的冻结掩码自编码器（MAE）作为通用的真实性先验。我们的框架通过两个阶段的闭环过程工作：初始的双流分段网络（DSSN）将原始图像与 MAE 重构残差融合，以粗略定位为基础；随后，任务适应性先验注入（TAPI）模块将该粗略预测转换为引导性提示，以驾驭 MAE 解码器并放大可疑区域的重构失效，从而实现精细细化。在四个基于扩散的填充基准测试上进行的广泛实验表明，IFA-Net 在 IoU 平均提升 6.5%，F1-score 提升 8.1%，显著优于第二名方法，同时对传统操纵类型显示出强大的泛化能力。
引用
@article{arxiv.2602.18842,
title = {Detecting AI-Generated Forgeries via Iterative Manifold Deviation Amplification},
author = {Jiangling Zhang and Shuxuan Gao and Bofan Liu and Siqiang Feng and Jirui Huang and Yaxiong Chen and Ziyu Chen},
journal= {arXiv preprint arXiv:2602.18842},
year = {2026}
}
备注
Accepted to CVPR 2026