论文页面 - 微观缺陷揭露宏观伪造：通过局部分布偏移检测AI生成图像

来源：https://huggingface.co/papers/2605.09296

摘要

一种局部分布感知检测框架，放大微观尺度的统计异常，以更高精度识别AI生成图像。

近期生成模型 (https://huggingface.co/papers?q=generative%20models) 能够生成极为逼真的图像，给区分真实与AI生成图像带来了挑战。然而，现有基于预训练特征提取器 (https://huggingface.co/papers?q=pre-trained%20feature%20extractors) 的检测器往往过度依赖全局语义 (https://huggingface.co/papers?q=global%20semantics)，限制了对关键微观缺陷 (https://huggingface.co/papers?q=micro-defects) 的敏感性。在这项工作中，我们提出了“微观缺陷揭露宏观伪造” (https://huggingface.co/papers?q=Micro-Defects)（MDMF），一种局部分布感知检测 (https://huggingface.co/papers?q=local%20distribution-aware%20detection) 框架，将微观尺度的统计异常放大为宏观层面的分布差异 (https://huggingface.co/papers?q=distributional%20discrepancies)。为避免局部取证线索被简单聚合稀释，我们引入了一种可学习的补丁取证签名 (https://huggingface.co/papers?q=Patch%20Forensic%20Signature)，将语义补丁嵌入投影到紧凑的取证潜在空间 (https://huggingface.co/papers?q=forensic%20latent%20space)。然后，我们使用最大均值差异 (https://huggingface.co/papers?q=Maximum%20Mean%20Discrepancy)（MMD (https://huggingface.co/papers?q=MMD)）来量化生成图像与真实图像之间的分布差异 (https://huggingface.co/papers?q=distributional%20discrepancies)。我们的理论分析表明，当生成图像中存在局部取证信号时，补丁级建模 (https://huggingface.co/papers?q=patch-wise%20modeling) 会产生可证明的更大差异，从而实现与真实图像更可靠的分离。大量实验表明，MDMF 在多个基准上始终优于基线检测器，验证了其普适有效性。项目页面：https://zbox1005.github.io/MDMF-project/

查看 arXiv 页面 (https://arxiv.org/abs/2605.09296) 查看 PDF (https://arxiv.org/pdf/2605.09296) 项目页面 (https://zbox1005.github.io/MDMF-project/) GitHub2 (https://github.com/ZBox1005/MDMF) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.09296)

在您的代理中获取此论文：

hf papers read 2605.09296

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.09296 以从本页链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.09296 以从本页链接。

引用此论文的空间0

没有空间链接此论文

请在空间 README.md 中引用 arxiv.org/abs/2605.09296 以从本页链接。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到一个收藏 (https://huggingface.co/new-collection) 中以从本页链接。