面向野外环境的 AI 生成图像检测的质量感知校准
计算机视觉与模式识别
2026-04-17 v1
摘要
尽管在检测合成图像方面取得了显著进展，但大多数现有方法仅针对单个图像实例，忽视了现实场景中一种关键特征：随着病毒式图像在网络上传播，多个近似重复版本会出现并因多次操作（如压缩、调整大小和裁剪）而损失质量。因此，同一图像可能因分析的版本不同而导致不一致的法forensic 预测结果。为此，我们提出了 QuAD (Quality-Aware calibration with near-Duplicates，质量感知校准框架)，该框架基于同一图像的所有可用近似重复版本进行决策。给定查询后，我们检索其在线近似重复版本并输入检测器：随后根据对应实例的估计质量对结果得分进行聚合。如此做法既能充分利用所有信息，又能考虑因多次处理步骤导致的图像可靠性降低。为支持大规模评估，我们引入两个数据集：AncesTree 是一个包含 136k 张图片的实验室数据集，按随机退化树组织，模拟在线转帖动态；ReWIND 是一个来自病毒式网络内容的近 1w 张近似重复图像的真实世界数据集。在多个最新检测器上进行实验表明，质量感知融合方法始终能显著提升性能，平均准确率提升约 8%。我们的结果凸显了在实际应用中，联合处理网络上所有可用图像才能实现对 AI 生成内容的可靠检测。代码和数据已公开于 https://grip-unina.github.io/QuAD/。
引用
@article{arxiv.2604.15027,
title = {Quality-Aware Calibration for AI-Generated Image Detection in the Wild},
author = {Fabrizio Guillaro and Vincenzo De Rosa and Davide Cozzolino and Luisa Verdoliva},
journal= {arXiv preprint arXiv:2604.15027},
year = {2026}
}
备注
Accepted at the APAI Workshop at CVPR 2026