人工智能生成图像检测是否已经是一 solved problem？
计算机视觉与模式识别
2025-10-21 v2 密码学与安全
摘要
生成模型（如GAN和扩散模型）的快速发展使能够创建高度逼真的合成图像，引发了关于虚假信息、深度伪造和侵犯版权的严重关切。尽管提出了众多人工智能生成图像（AIGI）检测器，常报告高准确率，但在现实场景中的有效性仍值得质疑。为弥合这一差距，我们引入AIGIBench，一个全面的基准，旨在严格评估最先进AIGI检测器的鲁性和泛化能力。AIGIBench通过四个核心任务模拟现实场景挑战：多源泛化、对图像退化的鲁性、对数据增强的敏感性以及测试时预处理的影响。它包括23个多样化的假图像子集，涵盖高级和广泛采用的图像生成技术，以及来自社交媒体和AI艺术平台的真实世界样本。对11个先进检测器进行大规模实验表明，尽管这些检测器在受控环境中报告的准确率很高，但在真实数据上表现显著下降，常见增强几乎没有帮助，而预处理效果也有限，这凸显了需要更鲁健检测策略的需求。通过提供统一且真实的评估框架，AIGIBench为未来研究提供了宝贵的见解，以指导可靠且具备泛化能力的AIGI检测。数据和代码均公开available at: https://github.com/HorizonTEL/AIGIBench.
引用
@article{arxiv.2505.12335,
title = {Is Artificial Intelligence Generated Image Detection a Solved Problem?},
author = {Ziqiang Li and Jiazhen Yan and Ziwen He and Kai Zeng and Weiwei Jiang and Lizhi Xiong and Zhangjie Fu},
journal= {arXiv preprint arXiv:2505.12335},
year = {2025}
}
备注
Accepted by NeurIPS 2025 Datasets and Benchmarks Track