你的 AI 生成图像检测器若经校准可实现 SOTA 准确率
计算机视觉与模式识别
2026-02-03 v1 人工智能
机器学习
摘要
尽管在平衡数据集上训练，现有的 AI 生成图像检测器往往在测试时表现出系统性偏差，频繁将假图像误判为真图像。我们假设这种行为源于假样本的分布迁移以及训练期间隐含的先验。具体而言，模型倾向于过拟合到不具备跨不同生成方法泛化性的浅层迹象，从而在遭遇测试时分布迁移时导致决策阈值错位。为此，我们提出一种基于贝叶斯决策理论的后验校准框架。具体做法是引入可学习的标量校正项，对模型 logits 进行校正，在小规模来自目标分布的验证集上进行优化，同时保持主干网络冻结。这种参数化调整补偿模型输出的分布迁移，重新对齐决策边界，无需真实标签即可实现。实验表明，在具有挑战性的基准测试上，我们的方法显著提升了鲁棒性，无需重新训练即可提供一种轻量且原则化的解决方案，以适应开放世界中的可靠且自适应的 AI 生成图像检测。代码已公开于 https://github.com/muliyangm/AIGI-Det-Calib。
引用
@article{arxiv.2602.01973,
title = {Your AI-Generated Image Detector Can Secretly Achieve SOTA Accuracy, If Calibrated},
author = {Muli Yang and Gabriel James Goenawan and Henan Wang and Huaiyuan Qin and Chenghao Xu and Yanhua Yang and Fen Fang and Ying Sun and Joo-Hwee Lim and Hongyuan Zhu},
journal= {arXiv preprint arXiv:2602.01973},
year = {2026}
}
备注
AAAI 2026. Code: https://github.com/muliyangm/AIGI-Det-Calib