放大伪造：针对局部 AI 生成图像检测的新型数据集
计算机视觉与模式识别
2026-03-11 v4
摘要
AI 生成图像工具的兴起使得局部伪造 increasingly realistic，构成视觉内容完整性的挑战。尽管近期努力探索局部 AIGC 检测，但现有数据集主要聚焦于对象级伪造，忽略了天空或地面等区域的更广场景编辑。为此，我们引入 \textbf{BR-Gen}，一个包含 150,000 条具有多样场景感知标注的局部伪造图像数据集，基于语义校准确保高质量样本。BR-Gen 通过完全自动化的“感知-创建-评估”管线构建，确保语义一致性和视觉真实性。此外，我们进一步提出 \textbf{NFA-ViT}，一种基于噪声引导的 Forgery 放大视觉转换器，通过放大图像中细微的伪造相关特征来增强局部伪造检测。NFA-ViT 通过噪声指纹探测图像中的异构区域（即潜在编辑区域），随后引入注意力机制以促使正常特征与异常特征之间的相互作用，从而在整个图像中传播痕迹，使细微伪造影响更广泛的上下文，提高整体检测鲁棒性。广泛实验表明，BR-Gen 构建了现有方法未覆盖的全新场景。进一步地，NFA-ViT 在 BR-Gen 上超越了现有方法，并在当前基准数据集上表现出良好的概括性。
引用
@article{arxiv.2504.11922,
title = {Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach},
author = {Lvpan Cai and Haowei Wang and Jiayi Ji and Yanshu Zhoumen and Shen Chen and Taiping Yao and Xiaoshuai Sun},
journal= {arXiv preprint arXiv:2504.11922},
year = {2026}
}
备注
Accepted at AAAI2026