探索低级信息在通用 AI 生成图像检测中的协同优势
计算机视觉与模式识别
2025-07-18 v2
摘要
现有最先进（SOTA）的AI生成图像检测方法大多关注从RGB图像中提取低级信息以提高AI生成图像检测的泛化性，如噪声模式等。然而，这些方法往往仅考虑单一种类的低级信息，可能导致泛化性次优。通过经验性分析，我们发现不同低级信息对不同类型伪造图像具有不同的泛化能力。此外，我们发现简单的融合策略不足以充分利用每种低级和高级信息在各种伪造类型上的检测优势。因此，我们提出了自适应低级信息专家注入（ALEI）框架。该方法引入Lora专家，使以高级语义RGB图像训练的骨干网络能够接受并学习来自不同低级信息的知识。我们利用跨注意力方法在中间层自适应融合这些特征。为防止骨干网络在后期建模过程中丢失不同低级特征的建模能力，我们开发了低级信息适配器，与骨干网络提取的特征进行交互。最后，我们提出动态特征选择，动态选择最适合检测当前图像的特征，以最大化泛化检测能力。大量实验表明，该方法仅需在四类主流ProGAN数据集上微调，即可在包含未见定制GAN和扩散方法的数据集上取得优异性能并实现最先进（SOTA）结果。
引用
@article{arxiv.2504.00463,
title = {Exploring the Collaborative Advantage of Low-level Information on Generalizable AI-Generated Image Detection},
author = {Ziyin Zhou and Ke Sun and Zhongxi Chen and Xianming Lin and Yunpeng Luo and Ke Yan and Shouhong Ding and Xiaoshuai Sun},
journal= {arXiv preprint arXiv:2504.00463},
year = {2025}
}