利用任意数据源进行 AI 生成图像检测且不牺牲泛化能力
计算机视觉与模式识别
2026-03-30 v2
摘要
生成模型的快速发展为检测 AI 生成图像带来了新挑战，尤其是在生成技术快速出现新变体的真实场景中。现有学习范式可能导致分类器数据依赖性强，从而产生狭窄的决策边界，进而限制对未见生成模型的泛化能力。我们观察到，无论是真实图像还是生成图像，都旨在在由预训练视觉编码器提取的高级特征空间中形成紧凑的低维流形。基于此观察，我们提出一种单类归因建模框架，首先通过从任何单类训练集（由真实图像或生成图像组成）构建紧凑归因空间来放大真实图像与生成图像之间的内在差异，然后在扩大的分离度上建立更稳定的决策边界。该过程增强了类别区分度，减轻了对生成器特定痕迹的依赖，从而提高了跨模型的泛化能力。大量实验表明，我们的方法在各种未见生成模型上均能良好泛化，准确率和跨模型泛化能力分别提升最高可达 7.21% 和 7.20%。
引用
@article{arxiv.2603.00717,
title = {Leveraging Arbitrary Data Sources for AI-Generated Image Detection Without Sacrificing Generalization},
author = {Qinghui He and Haifeng Zhang and Xiuli Bi and Bo Liu and Chi-Man Pun and Bin Xiao},
journal= {arXiv preprint arXiv:2603.00717},
year = {2026}
}
备注
Accepted to CVPR Findings 2026