基于监督对比学习的少样本 AI 生成图像检测与归因

生成式人工智能的快速发展使得合成图像日益难以与真实内容区分，给数字媒体完整性带来了重大挑战。这一问题因新型生成模型的加速发布周期而加剧，使传统检测方法（依赖定期重新训练）在计算上不可行且在操作上不够实用。本工作提出一种新型两阶段检测框架，以解决合成图像检测中固有的泛化挑战。第一阶段采用视觉深度学习模型通过监督对比学习提取输入图像的判别性嵌入。关键的是，该模型是在战略性划分的子集上训练的，其中特定架构被保留用于严格消除跨生成器泛化能力。第二阶段采用 k 近邻（k-NN）分类器在所学嵌入空间中进行训练，采用few-shot 学习范例，仅从之前未见的测试生成器中获取有限样本。以每类仅 150 张图像的few-shot学习范例，本文提出的框架实现了 91.3% 的平均检测准确率，较现有方法提高了 5.2 个百分点。对于来源归因任务，该方法在开放集分类情境下在 AUC 和 OSCR 上分别提高了 14.70% 和 4.27%，标志着致力于稳健、可扩展的forensic归因系统的重要进展，使其能够在不需耗费重新训练资源的前提下适应不断演变的生成式 AI 环境。