DiffSeg30k：用于局部AIGC检测的多轮扩散编辑基准
计算机视觉与模式识别
2025-11-27 v2
摘要
基于扩散的编辑可以实现对局部图像区域的真实修改，使AI生成内容更难被检测。现有的AIGC检测基准专注于对整个图像进行分类，忽略了基于扩散编辑的定位。我们引入了DiffSeg30k，一个包含30k张扩散编辑图像的公开数据集，带有像素级标注，旨在支持细粒度检测。DiffSeg30k的特点：1) 野外图像——我们从COCO收集图像或图像提示以反映真实世界内容多样性；2) 多样化扩散模型——使用八个最先进扩散模型进行局部编辑；3) 多轮编辑——每张图像经历最多三次顺序编辑以模拟真实世界的顺序编辑；4) 真实编辑场景——基于视觉语言模型（VLM）的流水线自动识别有意义区域并生成上下文感知提示，涵盖添加、删除和属性变更。DiffSeg30k将AIGC检测从二分类转向语义分割，实现编辑的同步定位和编辑模型的识别。我们对三种基线分割方法进行了基准测试，揭示了语义分割任务中的重大挑战，特别是对图像失真的鲁棒性方面。实验还表明，尽管分割模型训练用于像素级定位，但它们作为扩散编辑的全图分类器表现出高度可靠性，优于已建立的伪造分类器，并在跨生成器泛化方面展现出巨大潜力。我们相信DiffSeg30k将通过展示基于分割方法的潜力和局限性，推动AI生成内容细粒度定位研究的发展。DiffSeg30k发布于：https://huggingface.co/datasets/Chaos2629/Diffseg30k
引用
@article{arxiv.2511.19111,
title = {DiffSeg30k: A Multi-Turn Diffusion Editing Benchmark for Localized AIGC Detection},
author = {Hai Ci and Ziheng Peng and Pei Yang and Yingxin Xuan and Mike Zheng Shou},
journal= {arXiv preprint arXiv:2511.19111},
year = {2025}
}
备注
16 pages, 10 figures; typos corrected, references added