DRIFT：从鲁棒性差距到人工智能生成图像检测的不变流形

生成图像模型的快速发展对现有的人工智能生成图像检测器提出了挑战，特别是在具有看不见的生成器的开放世界环境中。最近的 无需训练 方法测量冻结视觉基础模型 (VFM) 中的鲁棒性差距，通过扰动引起的嵌入漂移检测赝品。然而，这些方法依赖于从预训练中继承的固定不变几何形状，并且缺乏对检测任务的原则性适应。相反，我们将人工智能生成的图像检测表述为在一类监督下学习真实图像的结构化不变流形。基于冻结的 VFM，我们引入了轻量级投影头，将表示空间分解为互补的稳健和脆弱子空间。鲁棒子空间经过明确训练，可以抑制由物理上合理的成像变换引起的变化，近似真实图像流形的切线方向，而脆弱子空间则保留对类似编辑的扰动的敏感性。结构化排序裕度强制物理不变性和编辑引起的可变性之间的分层分离，从而能够将检测作为相对于学习流形的裕度违规测试。推理时，两个变换族下的多尺度逐块漂移产生双通道不变性特征和可解释的定位。大量实验证明了跨未知生成器和分辨率的强大开放世界泛化能力，始终优于 无需训练 基于稳健性的基线，同时提供可解释的不变性违规图。