合成图像检测器的当前与未来泛化能力

日益逼真的图像生成模型的持续发布，催生了对合成图像检测器的需求。为了构建有效的检测器，我们必须首先了解数据源多样性、训练方法和图像修改等因素如何影响其泛化能力。本工作进行了系统分析，并利用其见解为训练鲁棒的合成图像检测器制定了实用指南。模型泛化能力在不同设置（例如规模、来源、变换）下进行了评估，包括真实世界的部署条件。通过对最先进的检测器在多样且最新的数据集上进行广泛基准测试，我们表明，尽管当前方法在特定场景中表现出色，但没有单一检测器能够实现普遍的有效性。我们识别了检测器中的关键缺陷，并提出了变通方案，以实现超越当前系统限制的真实世界检测器应用部署，从而提高准确性、可靠性和鲁棒性。