基于非对称学习的扩散模型表观不确定性：用于扩散生成图像检测
计算机视觉与模式识别
2026-01-22 v1 机器学习
摘要
扩散模型的快速发展凸显了检测生成图像的需求日益增长。以往的研究表明，纳入扩散基 Measurements（如重建误差）可增强检测器的通用性。然而，忽略Aleatoric不确定性和Epistemic不确定性对重建误差影响的差异，可能削弱检测性能。Aleatoric不确定性源于数据内在噪声，产生模糊性，阻碍准确检测生成图像。由于它反映了数据中（如自然纹理中的噪声）的随机变异，不利于区分生成图像。相比之下，Epistemic不确定性代表了模型对陌生模式缺乏的认识，支持检测。本文提出了一种新框架，称为扩散表观不确定性与非对称学习（Diffusion Epistemic Uncertainty with Asymmetric Learning, DEUA），用于检测扩散生成的图像。我们通过拉普拉斯近似引入扩散表观不确定性（Diffusion Epistemic Uncertainty, DEU）估计，以评估数据与扩散生成样本流形的接近程度。此外，引入非对称损失函数以训练具有更大边距的平衡分类器，从而进一步提升通用性。大规模基准上的广泛实验验证了我们方法的领先性能。
引用
@article{arxiv.2601.14625,
title = {Diffusion Epistemic Uncertainty with Asymmetric Learning for Diffusion-Generated Image Detection},
author = {Yingsong Huang and Hui Guo and Jing Huang and Bing Bai and Qi Xiong},
journal= {arXiv preprint arXiv:2601.14625},
year = {2026}
}