RealStats：一种用于虚假图像检测的严格纯真实统计框架

随着生成模型的持续发展，检测人工智能生成的图像仍然是一项关键挑战。尽管存在有效的检测方法，但它们通常缺乏形式上的可解释性，并且可能依赖于对虚假内容的隐含假设，这可能限制其对分布偏移的鲁棒性。在这项工作中，我们引入了一个严格的、有统计基础的虚假图像检测框架，该框架专注于生成一个可参照真实图像总体进行解释的概率分数。我们的方法通过结合免训练的统计量来利用多种现有检测器的优势。我们计算一系列检验统计量的 p 值，并使用经典的统计集成方法对其进行聚合，以评估与统一真实图像分布的一致性。该框架是通用的、灵活的且无需训练，使其非常适合在多样且不断变化的环境中进行鲁棒的虚假图像检测。