微缺陷暴露宏伪造：基于局部分布性偏移检测AI生成图像
计算机视觉与模式识别
2026-05-12 v1 人工智能
机器学习
摘要
近期生成模型能够产生看似高度逼真的图像，给区分真实与AI生成图像的检测提出了挑战。然而，基于预训练特征提取器的现有检测器倾向于过度依赖全局语义，难以敏感地捕捉关键的微观缺陷。本文提出微缺陷暴露宏伪造（MDMF），一个基于局部分布感知的检测框架，通过放大微观尺度的统计不规则性到宏观层次的分布性差异。为避免局部 forensic 线索在平常聚合中被稀释，我们引入可学习的补丁 forensic 签名，将语义补丁嵌入映射到紧凑的 forensic 隐空间。我们随后使用最大均值差异（MMD）来量化生成图像与真实图像之间的分布差异。我们的理论分析表明，补丁级建模在局部 forensic 信号存在于生成图像中时，能产生可证明更大的差异，从而实现对真实图像的更可靠分离。大量实验表明，MDMF在多个基准测试上 consistently 优于基线检测器，验证了其通用有效性。项目页面：https://zbox1005.github.io/MDMF-project/
关键词
引用
@article{arxiv.2605.09296,
title = {Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts},
author = {Boxuan Zhang and Jianing Zhu and Qifan Wang and Jiang Liu and Ruixiang Tang},
journal= {arXiv preprint arXiv:2605.09296},
year = {2026}
}
备注
41 pages, 10 figures