双数据对齐让 AI 生成图像检测器更易泛化
计算机视觉与模式识别
2025-10-22 v6
摘要
现有的检测器通常在偏置数据集上进行训练，导致对与真实/合成标签之间非因果图像属性的偶然相关性过拟合。虽然这些偏置特征在训练数据上提高了性能，但会导致在应用于无偏数据集时出现显著的性能下降。常见的解决方案是通过生成重建来进行数据集对齐，匹配真实与合成图像之间的语义内容。然而，我们重新审视了这一方法，发现仅进行像素级对齐是不够的。重建后的图像仍然存在频率级的对齐问题，这可能持续 perpetuate 偶然相关性。为此，我们观察到重建模型倾向于恢复真实图像中丢失的高频细节（可能由于 JPEG 压缩），从而在频率级上产生不对齐，使得合成图像看起来拥有更丰富的高频内容。这种对齐导致模型将高频特征与合成标签关联，从而进一步强化偏差线索。为解决此问题，我们提出了双数据对齐（Dual Data Alignment, DDA），对像素和频率域进行对齐。此外，我们引入两个新的测试集：DDA-COCO，包含 DDA 对齐后的合成图像，用于测试在最对齐数据集上的检测器性能；EvalGEN，包含最新生成模型，用于评估在新的生成架构（如视觉自回归生成器）下的检测器。最终，我们的广泛评估表明，仅在 DDA 对齐的 MSCOCO 上训练的检测器，在 8 个多样化基准测试中均可实现显著提升，在野外基准测试上提升了 7.2%，凸显了无偏检测器的改进泛化能力。我们的代码可在 https://github.com/roy-ch/Dual-Data-Alignment 获取。
引用
@article{arxiv.2505.14359,
title = {Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable},
author = {Ruoxin Chen and Junwei Xi and Zhiyuan Yan and Ke-Yue Zhang and Shuang Wu and Jingyi Xie and Xu Chen and Lei Xu and Isabel Guan and Taiping Yao and Shouhong Ding},
journal= {arXiv preprint arXiv:2505.14359},
year = {2025}
}
备注
NeurIPS 2025 Spotlight. 13 Pages, 10 figures