感知分类器：基于感知特征检测生成图像

图像质量评估 (IQA) 模型在许多实际的图像和视频处理管道中被广泛使用，以减少存储、最小化传输成本，并提升数百万用户的体验质量 (QoE)。这些模型对多样化的图像失真敏感，能够准确预测人类观众所 judges 的图像质量。近期发展的生成模型导致了来自互联网的大量“GenAI” 内容。现有方法在检测 GenAI 内容方面取得了显著进展，特别是在对来自未见生成模型的图像进行 improved generalization performance。本文我们利用现有 IQA 模型的能力，这些模型有效地捕获了 real images 在带通统计空间中的流形，以区分 real 与 AI 生成的图像。我们研究这些感知分类器在 GenAI 图像检测任务中的 generalization ability，并评估其对 various image degradations 的 robust ness。我们的结果表明，一个 two-layer 网络在 IQA 模型的特征空间上训练，展现了在 various generative models 之间检测 fake images 的 state-of-the-art performance，同时保持对 image degradations 的显著 robust ness。