S²F-Net：一种用于跨模型AIGC检测的鲁棒空间-频谱融合框架
计算机视觉与模式识别
2026-01-21 v1
摘要
生成模型的快速发展对具有强泛化能力的检测方案提出了迫切需求。然而，现有的检测方法普遍存在对特定源模型过拟合的问题，导致在面对未见过的生成架构时性能显著下降。为应对这些挑战，本文提出了一种名为 S²F-Net 的跨模型检测框架，其核心在于探索和利用真实纹理与合成纹理之间固有的频谱差异。考虑到上采样操作会在纹理贫乏和纹理丰富的区域留下独特且可区分的频率指纹，我们将研究重点放在频域伪影的检测上，旨在从根本上提升模型的泛化性能。具体来说，我们引入了一个可学习的频率注意力模块，该模块通过协同空间纹理分析和频谱依赖性，自适应地加权并增强具有判别力的频带。在包含17类生成模型的 AIGCDetectBenchmark 上，S²F-Net 实现了 90.49% 的检测准确率，在跨域检测场景中显著优于各种现有基线方法。
引用
@article{arxiv.2601.12313,
title = {S^2F-Net:A Robust Spatial-Spectral Fusion Framework for Cross-Model AIGC Detection},
author = {Xiangyu Hu and Yicheng Hong and Hongchuang Zheng and Wenjun Zeng and Bingyao Liu},
journal= {arXiv preprint arXiv:2601.12313},
year = {2026}
}
备注
27pages 9figures