揭示生成模型的隐式噪声印记
计算机视觉与模式识别
2025-11-18 v2
摘要
随着视觉生成模型的快速发展，合成视觉内容带来的潜在安全风险日益受到关注，给 AI 生成图像检测带来了重大挑战。现有方法泛化能力不足，导致在新兴生成模型上的性能不理想。为解决这一问题，本文提出了 NIRNet（基于噪声的印记揭示网络），一种利用噪声印记进行检测的新框架。具体而言，我们提出了一种新颖的基于噪声的印记模拟器，用于捕捉不同模型生成图像中固有的印记模式。通过聚合来自不同生成模型的印记，可以外推未来模型的印记以扩展训练数据，从而增强泛化性和鲁棒性。此外，我们设计了一种新流程，开创性地将来自基于噪声的印记提取器的噪声模式与其他视觉特征结合用于 AI 生成图像检测，显著提升了检测性能。我们的方法在七个多样化基准上达到了最先进的性能，包括五个公开数据集和两个新提出的泛化测试，证明了其优越的泛化性和有效性。
引用
@article{arxiv.2503.09314,
title = {Revealing the Implicit Noise-based Imprint of Generative Models},
author = {Xinghan Li and Yue Yu and Xue Song and Haijun Shan and Jingjing Chen},
journal= {arXiv preprint arXiv:2503.09314},
year = {2025}
}