R²BD：基于重构的通用高效假图像检测方法
计算机视觉与模式识别
2026-01-15 v1 人工智能
摘要
最近，基于重构的方法在AIGC图像检测中受到关注。这些方法利用预训练扩散模型对输入进行重构，并测量残差以区分真实与假图像。其关键优势在于减少对数据集特定性文化的依赖，提高在分布迁移情况下的泛化能力。然而，这些方法因多步骤反向和重构而受限于显著效率低下，并且依赖扩散模型 Backbone 进一步限制了对其他生成范式（如GAN）的泛化。本文提出一种新型假图像检测框架，称为R²BD，其设计包括：(1) G-LDM，一种统一的重构模型，模拟VAE、GAN和扩散模型的生成行为，从而拓宽检测范围超越先前仅基于扩散的方法；(2)残差偏置计算模块，在单个推理步骤中区分真实与假图像，这是对现有方法（通常需要20+步骤）的显著效率提高。大量实验在10个公开数据集的基准上表明，R²BD比现有基于重构的方法快22倍，同时实现了优异的检测准确率。在跨数据集评估中，它平均超过了最先进的方法13.87%，显示出强大的效率和跨异构方法的泛化能力。用于评估的代码和数据集可在 https://github.com/QingyuLiu/RRBD 提供。
引用
@article{arxiv.2601.08867,
title = {R$^2$BD: A Reconstruction-Based Method for Generalizable and Efficient Detection of Fake Images},
author = {Qingyu Liu and Zhongjie Ba and Jianmin Guo and Qiu Wang and Zhibo Wang and Jie Shi and Kui Ren},
journal= {arXiv preprint arXiv:2601.08867},
year = {2026}
}