IncreFA：打破生成模型归因的静态墙

随着人工智能生成模型以前所未有的速度发展，图像归因已成为一个不断变化的目标。新的扩散、对抗和自回归生成器几乎每月都会出现，使得现有的水印、分类器和反演方法在发布后就过时了。核心问题不在于模型识别，而在于归因本身无法适应。我们引入了 IncreFA，一个将归因重新定义为结构化增量学习问题的框架，允许系统随着新生成模型的出现而不断学习。 IncreFA 与传统的增量学习不同，它利用生成架构之间的层次关系并将它们与持续适应相结合。它集成了两种相辅相成的机制：（1）层次约束，通过可学习的正交先验对架构层次结构进行编码，以将族级不变量与模型特定的特性分开； （2）潜在记忆库，它重播紧凑的潜在样本并将它们混合以生成伪看不见的样本，稳定表示漂移并增强开放集意识。在覆盖 2022 年至 2025 年期间发布的 28 个生成模型的新构建的增量归因基准（IABench）上，IncreFA 在时间有序的开放集协议下实现了最先进的归因准确性和 98.93% 的未见检测。代码可在 https://github.com/Ant0ny44/IncreFA 获取。