PatchCraft：探索纹理块以实现高效 AI 生成图像检测
计算机视觉与模式识别
2024-03-08 v3
摘要
近期的生成模型在生成照片级图像方面展现出令人惊叹的性能。人类难以将如此逼真得不可思议的 AI 生成图像与真实图像区分开来。AI 生成图像可能导致无处不在的虚假信息扩散。因此，开发一种检测器来识别 AI 生成图像极为紧迫。多数现有检测器在未见过的生成模型上性能急剧下降。本文中，我们提出一种新颖的 AI 生成图像检测器，能够识别由多种生成模型创建的伪造图像。我们观察到，相较于图像的全局语义信息，图像的纹理块往往揭示更多生成模型留下的痕迹。为此提出一种新颖的 Smash&Reconstruction 预处理以抹除全局语义信息并增强纹理块。此外，丰富纹理区域的像素比贫乏纹理区域的像素表现出更显著的波动。对现有生成模型而言，合成逼真的丰富纹理区域更具挑战性。基于该原理，我们利用图像内丰富与贫乏纹理区域间的像素间相关性对比来进一步提升检测性能。另外，我们构建了一个全面的 AI 生成图像检测基准，包含 17 种主流生成模型，以评估现有基线方法与我们的方法的有效性。我们的基准为后续研究提供了排行榜。大量实验结果表明，我们的方法以显著优势超越 SOTA 基线。我们的项目：https://fdmas.github.io/AIGCDetect
引用
@article{arxiv.2311.12397,
title = {PatchCraft: Exploring Texture Patch for Efficient AI-generated Image Detection},
author = {Nan Zhong and Yiran Xu and Sheng Li and Zhenxing Qian and Xinpeng Zhang},
journal= {arXiv preprint arXiv:2311.12397},
year = {2024}
}
备注
Our project: https://fdmas.github.io/AIGCDetect/