通过真实图像的分布偏差检测AI生成图像
计算机视觉与模式识别
2026-01-08 v1
摘要
生成模型的快速发展显著提升了AI生成图像的质量，引发了对错误信息和公众信任侵蚀的担忧。因此，检测AI生成图像已成为一个关键挑战，尤其是在泛化到未见过的生成模型方面。现有方法使用冻结的预训练CLIP模型显示出泛化潜力，但将图像编码器视为基本特征提取器，未能充分利用其潜力。在本文中，我们对冻结的CLIP图像编码器（CLIP-ViT）进行了深入分析，揭示其在高级抽象特征空间中能有效聚类真实图像。然而，它并不真正具备区分真实图像与AI生成图像的能力。基于此分析，我们提出了一种基于掩码的预训练模型微调（MPFT）策略，该策略引入了一种纹理感知掩码（TAM）机制，在微调期间掩蔽包含生成模型特定模式的纹理区域。这种方法迫使CLIP-ViT关注真实图像的“分布偏差”以进行AI生成图像检测，从而实现增强的泛化性能。在GenImage和UniversalFakeDetect数据集上的大量实验表明，我们的方法仅用极少量图像进行微调，即显著优于现有方法，在两个数据集上分别达到高达98.2%和94.6%的平均准确率。
引用
@article{arxiv.2601.03586,
title = {Detecting AI-Generated Images via Distributional Deviations from Real Images},
author = {Yakun Niu and Yingjian Chen and Lei Zhang},
journal= {arXiv preprint arXiv:2601.03586},
year = {2026}
}