MIRROR：用于通用 AI 生成图像检测的流形理想参考重构器
计算机视觉与模式识别
2026-02-03 v1 密码学与安全
摘要
高保真生成模型缩小了合成图像与真实图像之间的感知差距，构成了媒体安全的严重威胁。目前大多数 AI 生成图像（AIGI）检测器依赖基于损伤的分类方法，难以泛化到不断演变的生成痕迹。相比之下，人类判断依赖于稳定的现实世界常规，通过偏离人类认知流形来识别伪造信息，这种信号更具普适性。鼓舞人心的研究表明，将 AIGI 检测重新表述为参考比较问题，即验证其与真实图像流形的一致性，而非拟合特定的伪造特征。我们提出了 MIRROR（Manifold Ideal Reference ReconstructOR），一个显式编码现实先验的框架，采用可学习的离散记忆库。MIRROR 将输入投影到与流形一致的理想参考上，通过稀疏线性组合实现，并将剩余物用作稳健的检测信号。为评估检测器是否达到取代人类专家所需的“超人类交叉”水平，我们引入了 Human-AIGI 基准数据集，包含心理物理学精选的人类难以察觉的子集。在 14 个基准测试中，MIRROR 均优于先前方法，在六个标准基准上提升 2.1%，在七个野外基准上提升 8.1%。在 Human-AIGI 上，MIRROR 在 27 个生成器上实现 89.6% 的准确率，超越了普通用户和视觉专家，并随着预训练主干模型的规模增大而进一步接近人类感知极限。代码已公开：https://github.com/349793927/MIRROR
引用
@article{arxiv.2602.02222,
title = {MIRROR: Manifold Ideal Reference ReconstructOR for Generalizable AI-Generated Image Detection},
author = {Ruiqi Liu and Manni Cui and Ziheng Qin and Zhiyuan Yan and Ruoxin Chen and Yi Han and Zhiheng Li and Junkai Chen and ZhiJin Chen and Kaiqing Lin and Jialiang Shen and Lubin Weng and Jing Dong and Yan Wang and Shu Wu},
journal= {arXiv preprint arXiv:2602.02222},
year = {2026}
}