面向生成式 AI 图像检测的多特征融合方法
计算机视觉与模式识别
2026-04-01 v1
摘要
生成式 AI (GenAI) 模型的快速演化导致合成图像的真实感前所未有，挑战了传统的图像区分方法。虽然已有的检测方法常依赖单一特征空间，如统计规律、语义嵌入或纹理模式，但这些方法在面对多样化和不断演化的生成模型时往往缺乏鲁棒性。本文我们探讨并系统评估了一个多特征融合框架，综合来自三个不同特征空间的互补线索：(1) 捕捉低层统计偏差的均值减去对比度归一化 (MSCN) 特征；(2) 编码高层语义一致性的 CLIP 嵌入；(3) 描述中层纹理异常的多尺度局部二值模式 (MLBP)。通过在四个覆盖广泛生成模型基准数据集上的大量实验，我们展示，单个特征空间在不同生成器之间表现出显著的性能波动。关键在于，所有三个表征的融合能够获得优越且更一致的性能，尤其在具有挑战性的混合模型场景中。与最新方法相比，本文提出的框架在所有评估数据集上均实现持续性提升。总体而言，本文凸显了混合表征对稳健生成式 AI 图像检测的重要性，并提供了一种原则化的框架用于整合互补视觉线索。
引用
@article{arxiv.2603.29788,
title = {Multi-Feature Fusion Approach for Generative AI Images Detection},
author = {Abderrezzaq Sendjasni and Mohamed-Chaker Larabi},
journal= {arXiv preprint arXiv:2603.29788},
year = {2026}
}
备注
This work has been submitted to IEEE Transactions for possible publication