面向鲁棒 GAN 生成图像检测：一种多视角补全表征

GAN 生成图像检测现已成为抵御深度伪造等机器合成图像篡改恶意使用的第一道防线。尽管一些现有检测器在检测干净、已知的 GAN 样本方面表现良好，但其成功很大程度上归因于对频率伪影等不稳定特征的过拟合，这在面对未知 GAN 或扰动攻击时会导致失效。为克服该问题，我们提出了一种基于新颖多视角图像补全表征的鲁棒检测框架。该框架首先学习多种视角到图像的任务以建模真实图像的多样分布。与频率无关的特征可由补全模型刻画的分布差异来表示，这些特征稳定、可泛化且对检测未知伪造模式具有鲁棒性。随后，设计了多视角分类，配合精心构建的视角内与视角间学习策略，分别增强视角特定特征表征与跨视角特征聚合。我们在六种不同分辨率的流行 GAN 上评估了框架的泛化能力，以及其针对广泛扰动攻击的鲁棒性。结果证实了我们的方法相较各类基线在有效性、泛化性和鲁棒性上的提升。