SAIDO：基于场景感知与重要性引导动态优化的AI生成图像持续学习通用检测
计算机视觉与模式识别
2025-12-02 v1
摘要
图像生成技术的广泛滥用引发了安全担忧，推动了AI生成图像检测方法的发展。然而，泛化性已成为关键挑战和开放问题：现有方法在现实场景中难以适应新出现的生成方法和内容类型。为此，我们提出了一种基于场景感知和重要性引导动态优化的持续学习检测框架（SAIDO）。具体而言，我们设计了基于场景感知的专家模块（SAEM），动态识别并整合新场景。对于每个场景，都会动态分配独立的专家模块，使框架能够更好地捕获场景特定的伪造特征，从而增强跨场景的泛化。为缓解从多个图像生成方法学习时发生的灾难性遗忘，我们引入重要性引导动态优化机制（IDOM），通过基于重要性的梯度投影策略优化每个神经元，从而实现模型可塑性与稳定性之间的有效平衡。大量实验在持续学习任务上表明，我们的方法在稳定性和可塑性方面均优于当前SOTA方法，分别实现了平均检测误差率和遗忘率的44.22%和40.57%的相对降低。在开放世界数据集上，平均检测准确率比当前SOTA方法提高了9.47%。
引用
@article{arxiv.2512.00539,
title = {SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning},
author = {Yongkang Hu and Yu Cheng and Yushuo Zhang and Yuan Xie and Zhaoxia Yin},
journal= {arXiv preprint arXiv:2512.00539},
year = {2025}
}
备注
17 pages, 19 figures