腾讯优图 投稿量子位 | 公众号 QbitAI

在AIGC期间马上发展的配景下，只需一排简便的prompt就可生成高传神内容，关联词，这一期间高出也带来了严重的安全隐患：造作新闻、身份诈骗、版权滋扰等问题日益凸起。AI生成图像检测也成为了AIGC时间的基础安全身手。

关联词在执行诈骗中， 存在一个“无言”步地：检测器常常在“科场”（公开基准数据集）上分数防备，一朝换到“战场”（全新模子或数据散布），性能会大幅下降。

近日，腾讯优图实验室合资华东理工大学、北京大学等商讨团队在A生成图像检测（AI-Generated Image Detection）泛化问题上伸开商讨，提议Dual Data Alignment（双重数据对都，DDA）门径，从数据层面系统性扼制“偏差特征”，显耀普及检测器在跨模子、跨数据域场景下的泛化身手。

当今，联系论文《Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable》已被NeurIPS 2025采纳为Spotlight（登第率 Top 3.2%）。

发现：AI图像检测器其实只是在“识别教练集”

商讨团队以为问题的根源可能在于教练数据自己的构造形式，使得检测器并莫得实在学会分离真假的执行特征，而是“走了捷径”，依赖于一些与真伪自己无关的“偏差特征”（Biased Features）来作念出判断。

这些偏差特征是简直图像与AI生成图像在教练数据收罗经过中产生的系统性各异。具体来说：

简直图像：起头渠说念复杂，明晰度与画质芜杂不都；分辨率散布分散；险些都以JPEG 体式存储，并带有不同进程的压缩印迹。AI生成图像：呈现出高度妥洽的模式，分辨率常贯串在256×256、512×512、1024×1024等固定档位；况兼大多以PNG等无损体式存储；画面干净，莫得昭彰压缩印迹。

在这么的数据组成下，检测模子可能会去学习“投契政策”，举例PNG≈假图，JPEG≈真图。这种“捷径” 不错在某些轨范测试集（如GenImage）上以致不错达到100%的检测准确率，关联词一朝对AI生成的PNG图像进行简便的JPEG压缩，使其在体式和压缩印迹上接近简直图像，这类检测器的性能就会出现“断崖式下落”。

对比简直图像和AI生成图像，两者可能存在体式偏差、语义偏差和尺寸偏差：

解法和念念路

针对这一问题，商讨团队以为若是数据自己带有系统性偏差，模子联想的再复杂也未免“学偏”。因此提议了DDA（双重数据对都，Dual Data Alignment） 门径，通过重构和对都教练数据来撤销偏差。其中枢操作分为三步：

像素域对都（Pixel Alignment）

使用VAE（变分自编码器）期间对每一张简直图像进行重建，得到一张内容一致、分辨率妥洽的AI生成图像。这一步操作撤销了内容和分辨率上的偏差。

频率域对都（Frequency Alignment）

只是像素域对都是不够的，由于简直图像大多经过JPEG压缩，其高频信息（细节纹理）是受损的；而VAE在重建图像时，反而会“补全”这些细节，创造出比简直图像更丰富的高频信息，这自己又成了一种新的偏差。

△可视化对比简直图像（JPEG75）和AI生成图像（PNG）的高频重量

实验也阐明了这小数：当商讨者将一幅重建图像中“完整”的高频部分，替换为简直图像中“受损”的高频部分后，检测器对VAE重建图的检出率会大幅下降。

△对比VAE重建图和VAE重建图（高频重量对都简直图像）的检出率

因此，重要的第二步是对重建图推论与简直图统统交流的JPEG压缩，使得两类图像在频率域上对都。

Mixup

临了遴荐Mixup将简直图像与经过对都的生成图像在像素层面进行搀和，进一步增强真图和假图的对都进程。

经过上述要领，就能得到一组在像素和频率特征上都高度一致的“真/假”数据集，促进模子学习更泛化的“分离真假”的特征。

实验成果

传统的学术评测常常是为每个Benchmark单独教练一个检测器评估。这种评测形式与简直诈骗场景不符。

为了更简直地测验门径的泛化身手，商讨团队提议了一种严格的评测准则：只教练一个通用模子，然后用它径直在悉数未知的、跨域的测试集上评估。

在这一严格的评测轨范下，DDA（基于COCO数据重建）实验成果如下。

详细发达：在一个包含11个不同Benchmark的全面测试中，DDA在其中 10个 上取得了当先发达。安全下限（min-ACC）：关于安全家具而言，决定短板的“最差发达”常常比平平分更迫切。在臆想模子最差发达的min-ACC缠绵上，DDA比第二名高出了27.5个百分点。In-the-wild测试：在公认高难度的简直场景“In-the-wild”数据集Chameleon上，检测准确率达到82.4%。跨架构泛化：DDA教练的模子不仅能检测主流的Diffusion模子生成的图像，其学到的执行特征还能有用泛化至GAN和自纪念模子等统统不同，以致莫得用到VAE的生成架构。

无偏的教练数据助力泛化性普及

在AI生成图像日益传神的今天，何如准确识别“真”与“假”变得尤为重要。

但AIGC检测模子的泛化性问题，偶然并不需要联想复杂的模子结构，而是需要纪念数据自己，从源流撤销那些看似细小却足以致命的“偏见”。

“双重数据对都”提供了一个新的期间念念路，通过提供更“高质地”的数据，迫使这些模子最终学习正确的常识，并专注于实在迫切的特征，从而得到更强的泛化身手。

论文地址：https://arxiv.org/pdf/2505.14359

GitHub：https://github.com/roy-ch/Dual-Data-Alignment

— 完 —

量子位 QbitAI · 头条号

激情咱们 欧洲杯下赌注平台，第一时期获知前沿科技动态