面向AI合成人脸图像的检测

近年来，随着基于深度学习的生成式AI技术的快速发展，图像生成与操纵取得了显著进展。近期研究致力于解决由深度伪造技术引起的人脸图像操纵问题，但针对纯合成人脸图像的检测研究相对薄弱。尤其是近期流行的扩散模型（Diffusion Models, DMs）在图像合成方面显示出卓越的成功。现有检测器在不同生成模型创建的合成图像之间普遍难以泛化。本文构建了包含由生成对抗网络（GANs）和多种扩散模型制造的人脸图像的全面基准数据集，以评估最新检测器的泛化能力和鲁棒性。随后，我们在频域分析中探讨了不同生成模型引入的伪造痕迹，获得诸多洞见。我们进一步表明，基于频率表示训练的检测器能够良好地泛化至其他未见的生成模型。