FerretNet：基于局部像素依赖的高效合成图像检测
计算机视觉与模式识别
2025-10-24 v2 人工智能
摘要
合成图像的日益逼真（如 VAE、GAN 和 LDM）正为合成图像检测带来重大挑战。为此，我们探讨了两种在生成过程中引入的伪影：(1) 潜在分布偏差和 (2) 解码引起的平滑效应，这些在局部纹理、边缘和颜色转换中表现为不一致。利用基于马尔可夫随机场的局部像素依赖 (LPD) 属性，我们利用相邻像素信息重建合成图像，以暴露纹理连续性和边缘连贯性中的破坏。基于 LPD，我们提出了 FerretNet，一个仅需 1.1 百万参数的轻量级神经网络，能够高效且稳健地检测合成图像。广泛的实验表明，FerretNet 在仅使用 4 类 ProGAN 数据集训练的情况下，即可在由 22 个生成模型组成的开放世界基准上实现 97.1% 的平均准确率。我们的代码和数据集已公开于 https://github.com/xigua7105/FerretNet。
引用
@article{arxiv.2509.20890,
title = {FerretNet: Efficient Synthetic Image Detection via Local Pixel Dependencies},
author = {Shuqiao Liang and Jian Liu and Renzhang Chen and Quanlong Guan},
journal= {arXiv preprint arXiv:2509.20890},
year = {2025}
}
备注
9 pages, 4 figures, 8 tables, accepted at NeurIPS 2025