IncreFA: 打破生成模型归因的静态壁垒
计算机视觉与模式识别
2026-04-22 v2
摘要
随着生成式 AI 模型的高速演进,图像归因已成为移动靶标。新的扩散、对抗和自回归生成器几乎每月都有出现,使现有的水印、分类器和 inversion 方法在发布后即刻失效。核心问题不在于模型识别,而在于无法适应归因本身。我们提出了 IncreFA,一个重新将归因定义为结构化增量学习问题的框架,允许系统在新生成模型出现时持续学习。IncreFA 不同于传统增量学习,通过挖掘生成架构之间的层次关系并将其与持续适应相结合来实现。它集成了两种相互强化的机制: (1) 层次约束,通过可学习的正交先验对架构层次进行编码,以 disentangle 家族水平的不变性与模型特定的独特性; (2) 潜在记忆库,通过回放紧凑的潜在示例并对其进行混合以生成伪未见样本,稳定表示漂移并增强开集感知。在覆盖 2022-2025 年发布的 28 个生成模型的新增 Incremental Attribution Benchmark(IABench) 上,IncreFA 在准确性和 98.93% 的未见检测方面实现了状态的最佳归因准确性,并在按时间顺序的开放集协议下表现出色。代码将在 https://github.com/Ant0ny44/IncreFA 上提供。
引用
@article{arxiv.2604.17736,
title = {IncreFA: Breaking the Static Wall of Generative Model Attribution},
author = {Haotian Qin and Dongliang Chang and Yueying Gao and Yuexuan Tan and Lei Chen and Zhanyu Ma},
journal= {arXiv preprint arXiv:2604.17736},
year = {2026}
}
备注
Accepted to CVPR 2026, with appendix