图像作为表格：使用 TabPFN 进行上下文学习，用于 AI 生成图像的低数据检测

人工智能生成的图像检测是一个移动目标问题：当新的生成器出现时，在一个生成器上训练的检测器通常会失败，并且只有几个标记的示例可用。我们研究了这种机制的简单图像到表公式，其中每个图像都由冻结的 DINOv3 主干编码，其 CLS 特征通过 PCA 简化为 500 维结构化行，TabPFN 通过上下文表格推理而不是特定于任务的分类器训练来执行真/假分类。这将假图像检测转变为对学习的视觉特征的低数据结构化预测，使得检测器适应依赖于标记的上下文集而不是基于梯度的 微调。在 GenImage 上，当来自所有生成器的许多标记样本可用时，LATTE（一种最新的最先进的检测器）仍然更强，在最大的池设置中提高了 7.4％，但 DINOv3-PCA-TabPFN 在实际重要的低数据范围中更强，优于 LATTE 高达 8.2％，并且在检测器必须从一个生成器泛化到另一个生成器的传输设置中。这些结果将表格基础模型定位为图像取证的强大补充适应机制，将适应从检测器再训练转变为带有少量标记示例集的轻量级上下文更新。代码网址：https://github.com/jpwalter30/Towards-Generalized-Detection-of-AI-Generate-Images