基于裁剪鲁棒性的无训练AI生成图像检测
计算机视觉与模式识别
2025-11-21 v1 人工智能
机器学习
摘要
AI 生成图像检测正因视觉生成模型的快速发展而日益重要。我们研究一种无需针对特定数据集训练检测器的训练-free 方法，利用自监督模型而无需先验数据知识。这些模型通过如 RandomResizedCrop 等数据增强预训练，以在不同分辨率下产生一致的表示。鼓动此思路，我们提出了 WaRPAD（Training-free AI-generated image detection based on Cropping Robustness），一种基于自监督模型的训练-free AI 生成图像检测算法。由于图像邻域像素差异对调整操作极其敏感，WaRPAD 首先定义一个基准评分函数，用于量化图像嵌入对沿由 Haar 小波分解提取的高频方向扰动的敏感性。为模拟对裁剪数据增强的鲁棒性，WaRPAD 将每个图像缩放为模型输入尺寸的整数倍，划分为更小的补丁，计算每个补丁的基准评分。最终检测得分通过所有补丁的评分平均获得。我们在不同分辨率和领域的真实数据集上验证了 WaRPAD，并测试了 23 种不同生成模型生成的图像。方法在实际表现中始终实现了具竞争力的性能，显示出对测试时噪声的强大鲁棒性。此外，由于 RandomResizedCrop 的不变性是自监督模型常见的训练方案，WaRPAD 可跨模型通用。
引用
@article{arxiv.2511.14030,
title = {Training-free Detection of AI-generated images via Cropping Robustness},
author = {Sungik Choi and Hankook Lee and Moontae Lee},
journal= {arXiv preprint arXiv:2511.14030},
year = {2025}
}