无需训练 AI 生成图像探测器有多脆弱？对分数方向、预处理和压缩的受控审核

AI 生成图像的 无需训练 检测器承诺在无需分类器训练的情况下进行与生成器无关的部署，但它们报告的数量很少在单一受控协议下进行比较。我们审核了两个代表性的 无需训练 分数——一个自动编码器重建分数（AEROBLADE 式）和一个噪声扰动特征相似性分数（RIGID 式）——加上一个朴素的特征 kNN 控制，在一个通用的 1,500 图像 GenImage 衍生基准上，跨越七个生成器和质量为 70 和 50 的 JPEG 压缩。审计产生了三个警告结果。 (i) 实现细节伪装成方法差异：替换 LPIPS 主干（AlexNet -> VGG-16）将整体 AUROC 改变 +0.085，并且在调整大小到 512 和原始分辨率预处理之间切换将每个生成器结论翻转最多 0.38 AUROC。 (ii) 得分方向不是该方法的属性，而是其超参数的属性：在噪声水平 sigma=0.05 时，RIGID 式得分在 SD1.5 和 Wukong 上反转（AUROC < 0.5），在 sigma=0.01 时每个生成器恢复到 >0.5，并在 sigma=0.3 时崩溃到 0.15。 (iii) 数据集格式偏差夸大了鲁棒性主张：在没有统一重新编码的情况下，JPEG-50 下的 AUROC 超出了 AlexNet-backbone 重建分数的干净条件；偏差校正后，残余异常定位于单个生成器（BigGAN）。审核的分数具有互补的每个生成器故障集，但朴素的 z 分数融合并没有击败最佳的单一分数，这表明利用互补性需要方向感知的组合。