前言:这篇文章介绍几篇AIGC检测的相关工作,均是以真实图像的特征作为标准进行检测。
目录
Detecting Generated Images by Real Images Only (202311 arXiv)
作者团队:Xiuli Bi, et al. 重庆邮电大学
论文链接:https://arxiv.org/abs/2311.00962
核心思想:仅仅使用真实图像作为训练数据,基于真实图像的潜在噪声模式,训练一个单分类器,进行AIGC的检测。
这篇文章其实是他们组另一篇文章 Detecting Generated Images by Real Images (ECCV 2022) 的改进版。ECCV 2022 那篇论文中提出来的 LNP 应用到了这篇文章中。
个人评价:刚刚读到这篇文章的时候,醍醐灌顶,单分类器恰恰解决了AIGC检测的泛化性问题呀!它把真或假问题变为真或不真问题,仅仅使用真实数据就能够判断待检测图像的真假。(但是不知道为啥和皮衣讨论的时候他的内心不为所动……)
Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models (202403 arXiv)
作者团队:Liang Ziyou, et al. 武汉大学
论文链接:https://arxiv.org/abs/2403.16513
核心思想:首先训练一个特征提取器,使用自监督特征映射机制,提取真实图像的同质特征和异质特征,期间使用对比学习实现两类特征的高内聚,低耦合。然后,冻结特征提取器,使用对比学习区分真实同质特征和虚假特征,并根据真实同质特征与虚假特征的差异,帮助分类器做出判断。论文题目中的Judger应该就是指的对比学习中的Anchor吧……
个人评价:该工作反复使用对比学习,先提炼出真实图像中的同质特征,然后根据真实图像的同质特征和虚假图像特征的差异,判断图像的真实性。个人认为这项工作的亮点在于真实图像的同质特征提取,其他的好像也没什么特别之处(个人拙见),Emmm看看它最后的归宿吧……
DRCT: Diffusion Reconstruction Contrastive Training towards Universal Detection of Diffusion Generated Images (ICML 2024)
作者团队:Baoying Chen et al. 阿里巴巴 & 中山大学
论文链接:https://openreview.net/forum?id=oRLwyayrh1
核心思想:首先得到真实图像和虚假图像各自的重建图像,然后基于真实、真实重建、虚假、虚假重建这4类图像,使用对比学习损失训练分类器,得到更加准确的决策边界。
个人评价:和上一篇工作有些相似,只不过这篇工作把真实图像也重建了一下,反复使用对比学习,注意⚠️:真实图像重建后的图像也是虚假图像!
基于重建损失的AIGC检测工作见此篇文章:论文研读|针对文生图模型的AIGC检测
后记:最近在罗翔老师的带领下读《理想国》,苏格拉底试图说明的是这个世界上善是唯一的,所有的坏都是对善的偏离。这个世界不是善恶对决的,所有的坏只是对善的一种亏欠和偏离,就像爱因斯坦所说的那句话,“这个世界上没有寒冷,寒冷是温暖的缺失,这个世界没有黑暗,黑暗是光明的缺失,这个世界没有仇恨,仇恨是爱的缺失。” 那么,是不是虚假是对真实的一种亏欠和偏离呢?能否从这个角度,把真实当作标杆,以此来检测虚假呢?我想,这篇文章介绍的几篇工作与这一思想不谋而合。个人认为,以真实样本作为参考的AIGC检测将会是未来的一大趋势。