SimLBR：通过学习检测真实图像来检测假图像
计算机视觉与模式识别
2026-02-25 v1
摘要
生成模型的快速发展使得检测 AI 生成图像成为研究与社会的关键挑战。最近的研究表明，大多数最先进的假图像检测方法会对训练数据过拟合，在评估强分布迁移的精选困难测试集时会出现灾难性失败。本文我们认为，更原则的方法是围绕真实图像分布学习紧密的决策边界，将假类别视为汇聚类。为此，我们提出 SimLBR，这是一个用于假图像检测的简单且高效框架，基于潜在混合正则化（LBR）。我们的方法在跨生成器泛化性方面显著提升，在具有挑战性的 Chameleon 数据集上实现了最高可达 +24.85% 的准确率提升和 +69.62% 的召回率提升。SimLBR 也非常高效，训练速度远快于现有方法。此外，我们强调在假图像检测中需要可靠性导向的评估，引入风险调整指标和最坏情况估计，以更好地评估模型鲁棒性。所有代码和模型将在 HuggingFace 和 GitHub 上发布。
引用
@article{arxiv.2602.20412,
title = {SimLBR: Learning to Detect Fake Images by Learning to Detect Real Images},
author = {Aayush Dhakal and Subash Khanal and Srikumar Sastry and Jacob Arndt and Philipe Ambrozio Dias and Dalton Lunga and Nathan Jacobs},
journal= {arXiv preprint arXiv:2602.20412},
year = {2026}
}
备注
Accepted to CVPR 2026