无像素失踪：面向稳健高分辨率AI生成图像检测的细节保持架构
计算机视觉与模式识别
2025-08-26 v1
摘要
高分辨率、细致精致的AI生成图像快速增长，对现有检测方法构成重大挑战。这些检测方法通常在低分辨率、自动生成数据集上训练和评估，与高分辨率场景的复杂性不符。常见做法是将高分辨率图像缩放或中心裁切以适配标准网络输入。然而，在不覆盖所有像素的情况下，这种策略要么会掩盖细微的高频伪影，要么会丢弃未覆盖区域的信息，导致输入信息损失。本文引入高分辨率细节聚合网络（High-Resolution Detail-Aggregation Network, HiDA-Net），一种确保不遗漏任何像素的新型框架。我们采用特征聚合模块（Feature Aggregation Module, FAM），融合来自多个全分辨率局部图块与图像全局视图的特征。这些局部特征与全局表示融合后用于最终预测，确保保留并利用原始分辨率细节进行检测。为增强对局部AI操纵和压缩等挑战的鲁棒性，我们引入基于令牌的伪造局部化模块（Token-wise Forgery Localization, TFL）实现细粒度空间灵敏性，并提出JPEG质量因子估计模块（JPEG Quality Factor Estimation, QFE）以显式分离生成性伪影与压缩噪声。 Furthermore, 为促进未来研究，我们引入HiRes-50K，一个包含50,568张高达64百万像素的新型具有挑战性的基准数据集。广泛实验表明，HiDA-Net 在具有挑战性的Chameleon数据集上实现了状态突破，准确率提升超过13%，在我们自己的HiRes-50K上提升10%。
引用
@article{arxiv.2508.17346,
title = {No Pixel Left Behind: A Detail-Preserving Architecture for Robust High-Resolution AI-Generated Image Detection},
author = {Lianrui Mu and Zou Xingze and Jianhong Bai and Jiaqi Hu and Wenjie Zheng and Jiangnan Ye and Jiedong Zhuang and Mudassar Ali and Jing Wang and Haoji Hu},
journal= {arXiv preprint arXiv:2508.17346},
year = {2025}
}