OmniAID：面向野外通用 AI 生成图像检测的语义与伪影解耦
计算机视觉与模式识别
2026-05-29 v3
摘要
真正通用的 AI 生成图像(AIGI)检测器必须同时泛化至多样的生成模型与不同的语义内容。现有方法学习单一、纠缠的伪造表示，将依赖内容的缺陷与内容无关的伪影混为一谈，且进一步受限于过时的基准测试。我们提出了 OmniAID，一种以解耦的混合专家架构为核心的新框架，该架构分离了：(1) 通过可路由专门语义专家跨不同内容域的语义缺陷，以及(2) 通过固定通用伪影专家从依赖内容的缺陷中分离出内容无关的通用伪影。两阶段训练策略首先利用特定域的难样本独立训练各专家，随后训练轻量级门控网络以实现有效的输入路由。通过显式解耦“生成什么”(特定内容缺陷)与“如何生成”(通用伪影)，OmniAID 实现了稳健的泛化。我们还引入了 Mirage，一个包含现代训练集和具有挑战性测试集的大规模当代数据集。大量实验表明，OmniAID 超越了现有检测器，为抵御现代野外威胁的 AIGI 检测确立了新标准。代码可在 https://github.com/yunncheng/OmniAID 获取。
引用
@article{arxiv.2511.08423,
title = {OmniAID: Decoupling Semantic and Artifacts for Universal AI-Generated Image Detection in the Wild},
author = {Yuncheng Guo and Junyan Ye and Chenjue Zhang and Hengrui Kang and Haohuan Fu and Conghui He and Weijia Li},
journal= {arXiv preprint arXiv:2511.08423},
year = {2026}
}
备注
Accepted by ICML 2026