SFLD：减少AI生成图像检测的内容偏差
计算机视觉与模式识别
2025-02-25 v1 人工智能
摘要
识别AI生成内容对于生成式AI的安全和伦理使用至关重要。最近的研究侧重于开发能泛化到未知生成器的检测器，流行的方法要么依赖高层特征，要么依赖低层指纹。然而，这些方法有明显的局限性：对未见内容有偏差，或容易受到常见图像退化（如JPEG压缩）的影响。为了解决这些问题，我们提出了一种新方法SFLD，它结合了PatchShuffle来整合高层语义和低层纹理信息。SFLD在多个层级应用PatchShuffle，提高了在各种生成模型上的鲁棒性和泛化能力。此外，当前基准面临图像质量低、内容保持不足和类别多样性有限等挑战。作为回应，我们引入了TwinSynths，一种新的基准生成方法，构建视觉上几乎相同的真实和合成图像对，以确保高质量和内容保持。我们广泛的实验和分析表明，SFLD在检测来自GAN、扩散模型和TwinSynths的各种假图像方面优于现有方法，展示了最先进的性能和对新型生成模型的泛化能力。
引用
@article{arxiv.2502.17105,
title = {SFLD: Reducing the content bias for AI-generated Image Detection},
author = {Seoyeon Gye and Junwon Ko and Hyounguk Shon and Minchan Kwon and Junmo Kim},
journal= {arXiv preprint arXiv:2502.17105},
year = {2025}
}
备注
IEEE/CVF WACV 2025, Oral