EIRES：基于编辑引起的重构误差位移的训练-free AI生成图像检测
计算机视觉与模式识别
2025-12-23 v2
摘要
扩散模型最近实现了惊人的照片级写实性，使得区分真实图像与生成图像变得日益困难，这引发了重大的隐私和安全担忧。应对方法，我们发现：结构性编辑会增强真实图像的重构，同时损害生成图像的重构，形成 distinctive 由编辑引起的重构误差位移。这种非对称位移增强了真实与生成图像之间的可分离性。基于此洞见，我们提出EIRES，一种利用结构性编辑揭示真实与生成图像内在差异的训练-free方法。为了解释该位移的判别力，我们在编辑扰动下推导了重构误差下界。由于EIRES无需训练，阈值仅取决于信号的自然可分离性，其中更大的间隙会导致更可靠的检测。大量实验表明，EIRES在 diverse 生成模型上有效，即使在后处理操作下也保持鲁健性。
引用
@article{arxiv.2510.25141,
title = {EIRES:Training-free AI-Generated Image Detection via Edit-Induced Reconstruction Error Shift},
author = {Wan Jiang and Jing Yan and Xiaojing Chen and Lin Shen and Chenhao Lin and Yunfeng Diao and Richang Hong},
journal= {arXiv preprint arXiv:2510.25141},
year = {2025}
}