基于图像自适应提示学习的通用AI生成图像检测
计算机视觉与模式识别
2026-03-05 v4
摘要
在AI生成图像检测中，当前最前沿的方法通常通过部分参数微调来适应预训练基础模型。然而，这些方法往往难以泛化到来自未见生成器的伪造图像，因为微调后的模型仅从训练数据中捕获有限的模式，无法反映新型伪造图像的演变特征。为克服这一限制，我们提出了图像自适应提示学习（Image-Adaptive Prompt Learning, IAPL），这是一种新颖的范式，通过根据每个测试图像动态调整输入编码器的提示来实现适应，而不是在训练后固定提示。这种设计显著增强了对多样化伪造图像的鲁棒性和适应性。动态提示通过轻量级可学习缩放因子将条件信息与测试时自适应标记集成。条件信息由条件信息学习者生成，后者利用基于CNN的特征提取器来建模伪造特定特征和通用特征。测试时自适应标记在对单个样本进行推理时通过强制多个视图的预测一致性进行优化，以确保参数与当前图像一致。最终决策选择置信度最高的 optimal input。大量实验表明，IAPL实现了最先进的性能，在广泛使用的UniversalFakeDetect和GenImage数据集上分别达到95.61%和96.7%的平均准确率。代码和模型权重将发布于 https://github.com/liyih/IAPL。
引用
@article{arxiv.2508.01603,
title = {Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning},
author = {Yiheng Li and Zichang Tan and Guoqing Xu and Zhen Lei and Xu Zhou and Yang Yang},
journal= {arXiv preprint arXiv:2508.01603},
year = {2026}
}
备注
Accepted by CVPR2026