LOTA：基于位平面引导的 AI 生成图像检测

GAN 和扩散模型的快速发展使得区分 AI 生成图像与真实图像更加困难。最近的研究通常将基于图像的重构误差作为确定图像是否为 AI 生成的重要特征。然而，这些方法通常计算成本高昂，也未能捕捉原始图像中存在的内在噪声特征。为解决这些问题，我们创新性地通过位平面基于图像处理来细化误差提取，因为较低位平面确实代表图像中的噪声模式。我们引入一种有效的位平面引导噪声图像生成方法，并探索各种图像归一化策略，包括缩放和阈值化。然后，为了放大噪声信号以便更轻松地进行 AI 生成图像检测，我们设计了一种最大梯度块选择方法，该方法应用多方向梯度来计算噪声得分并选择得分最高的区域。最后，我们提出一种轻量且有效的分类头，探索两种不同的结构：基于噪声的分类器和噪声引导的分类器。在 GenImage 数据集上进行的大量实验表明，我们方法的卓越性能，实现了平均准确率为 \textbf{98.9}\% (\textbf{11.9}\% ~$\uparrow$)，并显示出优异的跨生成器泛化能力。特别地，我们的方法在 GAN 到扩散和扩散到 GAN 之间的准确率分别超过 98.2\% 和 99.2\%。此外，我们的方法在毫秒级完成误差提取，速度几乎是现有方法的百倍。代码地址为 https://github.com/hongsong-wang/LOTA。