手工特征融合用于可靠检测AI生成图像
计算机视觉与模式识别
2026-01-28 v1
摘要
生成模型的快速进步使得创建高度逼真的合成图像成为可能，引发了对数字媒体真实性和信任度的担忧。可靠地检测此类伪造内容是一项紧迫的挑战。虽然深度学习方法主导了当前文献，但手工特征因其可解释性、效率和泛化能力而仍然具有吸引力。本文在包含真实与合成图像的CIFAKE数据集上，对手工描述符（包括原始像素、颜色直方图、离散余弦变换（DCT）、方向梯度直方图（HOG）、局部二值模式（LBP）、灰度共生矩阵（GLCM）和小波特征）进行了系统评估。使用50,000个训练样本和10,000个测试样本，我们对从逻辑回归到高级梯度提升集成（LightGBM、XGBoost、CatBoost）的七种分类器进行了基准测试。结果表明，LightGBM始终优于其他方法，在使用混合特征时实现了PR-AUC 0.9879、ROC-AUC 0.9878、F1 0.9447和Brier分数0.0414，在校准和区分能力上比简单描述符有显著提升。在三种配置（基线、高级、混合）中，性能单调提升，证实了组合多样化的手工特征能带来显著收益。这些发现强调了精心设计的特征和集成学习在检测合成图像方面的持续相关性，特别是在可解释性和计算效率至关重要的场景中。
引用
@article{arxiv.2601.19262,
title = {Handcrafted Feature Fusion for Reliable Detection of AI-Generated Images},
author = {Syed Mehedi Hasan Nirob and Moqsadur Rahman and Shamim Ehsan and Summit Haque},
journal= {arXiv preprint arXiv:2601.19262},
year = {2026}
}