层一致性至关重要：用于可泛化合成图像检测的优雅潜在过渡差异
计算机视觉与模式识别
2026-03-23 v2
摘要
近期生成模型的快速发展显著提高了AI生成合成图像的保真度和可获取性。在催生各种创新应用的同时，这些合成图像前所未有的逼真度使其与真实照片越来越难以区分，带来了严重的安全风险，例如媒体可信度和内容操纵。尽管已有大量工作致力于检测合成图像，但大多数现有方法由于依赖模型特定的伪影或低级统计线索，对未见数据的泛化能力较差。在这项工作中，我们识别出一个先前未被探索的区别：真实图像在其潜在表示中保持一致的语义注意力和结构连贯性，在网络层间表现出更稳定的特征过渡，而合成图像则呈现出可辨别的不同模式。因此，我们提出了一种称为潜在过渡差异（LTD）的新方法，该方法捕捉真实和合成图像的层间一致性差异。LTD自适应地识别最具判别力的层，并评估跨层的过渡差异。得益于所提出的层间判别建模，我们的方法在包含多种GAN和DM的三个数据集上的平均准确率比基线模型高出14.35%。大量实验表明，LTD优于最新的最先进方法，实现了卓越的检测精度、泛化能力和鲁棒性。代码可在https://github.com/yywencs/LTD获取。
引用
@article{arxiv.2603.10598,
title = {Layer Consistency Matters: Elegant Latent Transition Discrepancy for Generalizable Synthetic Image Detection},
author = {Yawen Yang and Feng Li and Shuqi Kong and Yunfeng Diao and Xinjian Gao and Zenglin Shi and Meng Wang},
journal= {arXiv preprint arXiv:2603.10598},
year = {2026}
}
备注
Accepted by CVPR 2026 (main track)