面向泛化的合成图像检测：从图像变换视角
计算机视觉与模式识别
2025-01-07 v2
摘要
近期生成模型促进了照片般逼真的图像合成，导致合成图像在社交平台上产生负面影响，亟需开发有效的检测器。当前的合成图像检测（SID）流程主要专注于构建通用人工特征，忽视了 SID 训练范式的问题。本文重新审视了 SID问题，发现当前训练范式中存在两类常见偏差：人工特征被削弱和人工特征过拟合。同时，我们发现合成图像的成像机制导致像素之间局部相关性增加，表明检测器需要具备局部感知能力。基于此，我们提出了一种轻量且有效的检测器SAFE，包含三个简单的图像变换。首先，为解决人工特征被削弱的问题，用裁剪操作替代图像预处理中的下采样操作，以帮助规避人工特征的失真。其次，为解决人工特征过拟合的问题，将 ColorJitter 和 RandomRotation 作为额外的数据增强，以帮助缓解训练样本中颜色差异和语义差异带来的不相关偏差。最后，为实现局部感知，我们提出了针对 SID 的基于块的随机遮挡策略，迫使检测器在训练时关注局部区域。在包含 26 个不同生成模型生成的开放世界数据集上进行比较实验。我们的管道在现有方法上实现了新的状态突破，准确率提升 4.5%，平均精度提升 2.9%。我们的代码已公开：https://github.com/Ouxiang-Li/SAFE。
引用
@article{arxiv.2408.06741,
title = {Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective},
author = {Ouxiang Li and Jiayin Cai and Yanbin Hao and Xiaolong Jiang and Yao Hu and Fuli Feng},
journal= {arXiv preprint arXiv:2408.06741},
year = {2025}
}
备注
KDD2025