ImageAttributionBench：我们离通用归因还有多远
计算机视觉与模式识别
2026-05-14 v1
摘要
生成式 AI 的快速发展使得能够创建高度真实且多样化的合成图像，构成图像源 provenance 和误信息检测的关键挑战。这凸显了亟需有效图像归因的紧迫需求。然而，现有归因数据集受限于规模有限、生成方法陈旧、语义多样性不足，阻碍了开发健壮且通用归因模型的进展。为此，我们引入 ImageAttributionBench，一个包含由广泛使用最先进 (SOTA) 架构生成的合成图像的综合数据集。数据集涵盖多个真实世界语义领域，提供丰富的多样性和规模，以支持和加速图像归因研究的进展。为模拟真实世界的归因场景，我们在 ImageAttributionBench 上评估了多个 SOTA 归因方法，在两个具有挑战性的设置下进行测试：(1) 在标准平衡划分上训练，在退化图像上测试；(2) 在语义上互斥的划分上训练和测试。在这两种情况下，当前方法表现 consistently 不佳，揭示了其在鲁棒性和对未见语义内容的泛化方面的显著局限。我们的工作为未来图像归因方法的开发和评估提供了严谨的基准框架。
引用
@article{arxiv.2605.12967,
title = {ImageAttributionBench: How Far Are We from Generalizable Attribution?},
author = {Tingshu Mou and Zhipeng Wei and Chao Gong and Jingjing Chen and Xingjun Ma},
journal= {arXiv preprint arXiv:2605.12967},
year = {2026}
}