基于条件似然的通用与特定域生成图像零样本检测

生成模型（特别是基于扩散的方法）的快速发展显著提升了合成图像的真实感。随着新生成模型不断涌现，检测生成图像仍然是一个关键挑战。虽然已提出全监督和少样本方法，但维护更新数据集耗时且具有挑战性。因此，零样本方法近年来受到越来越多的关注。我们发现现有的零样本方法往往难以适应特定图像域，如艺术图像，从而限制了其实际应用。在这项工作中，我们引入了CLIDE，一种基于条件似然逼近的新型零样本检测方法。我们的方法通过计算以真实图像为条件的似然值，实现跨不同图像域的适应。我们对CLIDE进行了广泛评估，在大规模通用数据集上展示了SOTA性能，并在特定域案例中显著优于现有方法。这些结果证明了我们方法的鲁棒性，并强调了AI生成图像检测任务中广泛、域感知泛化的必要性。代码可在 https://tinyurl.com/clide-detector 获取。