可靠合成图像检测的后验选择性分类
计算机视觉与模式识别
2026-05-12 v1 机器学习
摘要
随着合成图像逼真度的提升，可靠的合成图像检测技术日益迫切，以防止其滥用。尽管深度神经网络基于合成图像检测器（SID）在分布内表现良好，但在部署时缺乏可靠性，常在常见协变量偏移下失败，导致检测精度不佳。为避免潜在错误带来的风险，我们采用选择性分类（SC）策略，允许检测器对置信度不足的预测保持含糊。针对实际应用需求，我们关注不进行重新训练的后验方法，即在给定的SID上进行置信度估计。然而，我们表明常规的基于logit的置信度得分函数（CSF）在协变量偏移下表现出异常行为，导致SC性能接近或甚至优于随机猜测。为此，我们提出一种简单而有效的可靠合成图像检测（ReSIDe）SC框架。首先，我们从质心匹配视角将logit的概念推广到SID的中间层，将基于logit的CSF的使用范围扩展到SID的任意层。随后，我们引入一种偏好优化算法，通过最小化风险-覆盖曲线下面积（AURC）的上界，将从不同层提取的置信度分数聚合为最终置信度估计。大量实验结果表明，ReSIDe在常见协变量偏移下显著提升了各种基于logit的CSF的SC性能，实现了最高达69.55%的AURC降低。
引用
@article{arxiv.2605.08574,
title = {Post-hoc Selective Classification for Reliable Synthetic Image Detection},
author = {Kaixiang Zheng and Jacob H. Seidman},
journal= {arXiv preprint arXiv:2605.08574},
year = {2026}
}