当语义起调节作用：重新思考块打乱与内部偏差以实现基于 CLIP 的生成图像检测

GAN 和扩散模型的快速进展为检测 AI 生成图像带来了新挑战。尽管基于 CLIP 的检测器展现出有前景的泛化能力，但它们往往依赖语义线索而非生成器伪影，导致在分布偏移下性能脆弱。在本工作中，我们重新审视语义偏差的本质，并发现块打乱对 CLIP 提供了异常显著的好处，它破坏了全局语义连续性同时保留了局部伪影线索，从而降低了语义熵并在自然图像与合成图像之间均化了特征分布。通过详细的逐层分析，我们进一步表明 CLIP 的深层语义结构充当调节器，在语义偏差被抑制后稳定跨域表示。在上述发现的指导下，我们提出了 SemAnti，一种语义对抗微调范式，它冻结语义子空间并仅对打乱语义下敏感的层进行适配。尽管其设计简单，SemAnti 在 AIGCDetectBenchmark 和 GenImage 上实现了最先进的跨域泛化性能，证明了调节语义是释放 CLIP 在鲁棒 AI 生成图像检测中全部潜力的关键。