多样性决定一切：面向通用 AI 生成图像检测的数据多样化与双分支网络
计算机视觉与模式识别
2026-03-31 v1
摘要
AI 生成图像的快速扩散受生成对抗网络 (GAN)、扩散模型及其他合成技术的驱动，已引发关于虚假信息、版权侵权和数字安全的严重关切。然而，在广泛且稳健的条件下检测此类图像仍是最大挑战，因为生成模型和数据分布的种类繁多。本文提出了 **Diversity Matters**，一种强调数据多样性和特征域互补性的新型框架，用于 AI 生成图像检测。该方法引入了特征域相似性过滤机制，在跨类和类内分布之间淘汰冗余或高度相似的样本，确保更具多样性和代表性的训练集。此外，我们提出了双分支网络，将像素域和频域的 CLIP 特征融合，联合捕获语义线索和结构线索，从而在面对未见生成模型和对抗性条件时实现更好的泛化。在基准数据集上进行的大量实验表明，所提方法显著优于现有方法，在跨模型和跨数据集性能上取得显著提升。**Diversity Matters** 凸显了数据与特征多样性在构建可靠且稳健检测器中所发挥的关键作用，以应对合成内容日益快速演变的挑战。
引用
@article{arxiv.2603.27800,
title = {Diversity Matters: Dataset Diversification and Dual-Branch Network for Generalized AI-Generated Image Detection},
author = {Nusrat Tasnim and Kutub Uddin and Khalid Malik},
journal= {arXiv preprint arXiv:2603.27800},
year = {2026}
}