HFI：面向无训练检测与潜在扩散模型生成图像隐式水印的统一框架
计算机视觉与模式识别
2026-04-14 v2 机器学习
摘要
潜在扩散模型（LDMs）在图像质量方面的显著提升也导致 AI 生成图像被恶意使用的风险增加。虽然当前的 AI 生成图像检测方法假设能够获得真实图像和 AI 生成图像用于训练，但鉴于 LDMs 的庞大表达能力，这在实际中受限。由此催生了无训练检测方案，即无法提前获取相关数据。现有方法假设由 LDM 生成的图像相较于真实图像更易被自动编码器重建，但我们观察到这种重建距离过度依赖背景信息，导致在背景简单图像的检测效果下降。为此，我们提出了一种新方法 HFI。具体而言，将 LDM 的自动编码器视为下采样-上采样核，HFI 测量图像重建过程中出现的高频信息失真（aliasing）的程度。HFI 无需训练、计算高效，在检测由各种生成模型生成的具有挑战性的图像时 consistently 优于其他无训练方法。我们还展示了 HFI 可成功检测来自特定 LDM 生成的图像，用以实现隐式水印。HFI 在保持优异性能的同时，显著优于最佳基线方法。
引用
@article{arxiv.2412.20704,
title = {HFI: A unified framework for training-free detection and implicit watermarking of latent diffusion model generated images},
author = {Sungik Choi and Hankook Lee and Jaehoon Lee and Seunghyun Kim and Stanley Jungkyu Choi and Moontae Lee},
journal= {arXiv preprint arXiv:2412.20704},
year = {2026}
}