降低伪影偏差以实现更具泛化性的 AI 生成图像检测
计算机视觉与模式识别
2026-05-15 v1
摘要
随着 AI 生成图像的滥用日益增多，迫切需要具备泛化性的图像检测技术。近期最先进（SOTA）方法采用对齐的训练数据集以减少内容、尺寸和格式偏差，使模型能够捕获稳健的伪造线索。一种常见策略是采用重建技术（例如 VAE 和 DDIM），这在基于扩散的方法中展现出显著效果。然而，此类基于重建的方法通常会引入有限且同质的伪影，无法完全捕获多样的生成模式（例如基于 GAN 的方法）。为了用对齐且多样的伪影模式补充基于重建的伪造图像，我们提出一种基于 GAN 的上采样方法，该方法在保持内容、尺寸和格式对齐的同时模仿 GAN 生成的伪造模式。这自然产生了两种对齐但截然不同的伪造图像类型。然而，由于基于重建的伪造图像与基于上采样的伪造图像之间存在领域偏移，直接混合训练会导致次优结果，其中一个领域会干扰另一领域的特征学习。因此，我们提出一种分离专家融合（SEF）框架，以提取互补的伪影信息并减少领域间干扰。我们首先在冻结的基础模型上通过 LoRA 适配训练领域特定专家，然后利用门控网络进行解耦融合，在保留专家专业知识的同时自适应地组合专家特征。该设计不仅有利于 GAN 生成图像检测，还引入了多样且互补的伪影模式，使 SEF 能够学习更稳健的决策边界并提升在更广泛生成方法上的泛化能力。大量实验表明，我们的方法在 13 个不同的基准测试上均取得了优异结果。代码已发布于：https://github.com/liyih/SEF_AIGC_detection。
引用
@article{arxiv.2605.14486,
title = {Reduce the Artifacts Bias for More Generalizable AI-Generated Image Detection},
author = {Yiheng Li and Yang Yang and Zichang Tan and Gao Li and Zhen Lei and Wenhao Wang},
journal= {arXiv preprint arXiv:2605.14486},
year = {2026}
}
备注
preprint