检测器失败的地方：探索生成空间以实现可推广的人工智能生成的图像检测

检测人工智能生成的图像（AIGI）仍然具有挑战性，因为检测器通常无法泛化到看不见的生成器。尽管现有方法是在大型数据集上进行训练的，但当生成设置发生变化时，它们的性能仍然会下降，这表明仅数据规模是不够的，并且训练期间生成变化的有限覆盖是一个关键因素。对生成模型编辑的研究表明，内部表示的微小变化可以产生多样化且有意义的图像变化，其中许多变化在标准采样下没有被探索。利用这一见解，我们提出了 PROBE（通过边界探索探测鲁棒性），这是一个通过积极探索生成过程中具有挑战性的区域来提高检测器泛化能力的框架。 PROBE 没有将生成器视为固定数据源，而是使用检测器作为批评者来引导生成器进行多级修改，从而生成难以分类的真实样本。这些样本揭示了在标准数据采样策略下不常见的故障案例，并用于改进检测器。多个基准测试的实验结果表明，PROBE 增强了对看不见的生成器的泛化能力，从而实现了更通用的 AIGI 检测性能。代码和模型可在 https://github.com/Amamiya-C/PROBE-AIGI-Detection 获取