对抗模式和内容偏差：广义人工智能生成图像检测的对抗性特征学习

近年来，生成式人工智能技术的快速发展，大幅降低了制作高质量虚假图像的门槛，对信息的真实性和可信度提出了严峻挑战。现有的生成图像检测方法通常通过模型架构或网络设计来增强泛化能力。然而，它们的泛化性能仍然容易受到数据偏差的影响，因为训练数据可能会驱动模型适应特定的生成模式和内容，而不是来自不同生成模型的图像共享的共同特征（非对称偏差学习）。为了解决这个问题，我们提出了多维对抗特征学习（MAFL）框架。该框架采用预训练的多模态图像编码器作为特征提取主干，构建真假特征学习网络，并设计配备多维对抗损失的对抗性偏差学习分支，形成真伪判别特征学习和偏差特征学习之间的对抗性训练机制。通过抑制生成模式和内容偏差，MAFL引导模型关注不同生成模型共享的生成特征，从而有效捕获真实图像和生成图像之间的根本差异，增强跨模型泛化能力，并大幅减少对大规模训练数据的依赖。通过广泛的实验验证，我们的方法在准确度上比现有最先进的方法高出 10.89%，在平均精度 (AP) 上高出 8.57%。值得注意的是，即使仅使用 320 张图像进行训练，它仍然可以在公共数据集上实现超过 80% 的检测准确率。