DNA：生成图像源追踪的双阶段本机归因

图像生成的快速发展产生了许多家庭内的变体，使得可疑图像的源模型归因对于数字取证变得越来越重要。现有的主动方法依赖于水印嵌入或模型修改，这可能会降低视觉质量并限制部署灵活性。被动方法通常依赖于大规模监督训练或单个重建信号，限制了它们处理未知来源和区分高度相似的家族内变异的能力。我们观察到，潜在生成模型中的归因信号在架构级别上自然分层：VAE 级别线索反映家庭共享信息，而骨干级别线索捕获特定于变体的行为。受这一见解的启发，我们提出了双阶段原生归因 (DNA)，这是一种从粗到细的框架，遵循此层次结构，无需额外的神经网络训练。粗粒度阶段使用自动编码器双重重建（AEDR）进行高效的开放集家族级筛选。细粒度阶段使用本机预测一致性 (NPC) 执行闭集模型级归因，该属性比较语义调节下多个噪声级别的族内变异的本机预测误差，并通过归一化校准分数对源进行归因。为了实现系统评估，我们构建了 DNA-30K，这是开放式家庭级别评估下家庭内变异归因的基准。它包含由 6 个系列的 24 个候选模型生成的 30,000 张图像，涵盖去噪扩散和流匹配，以及作为未知来源的非候选生成图像和自然图像。实验表明，即使使用 AEDR 作为粗粒度阶段，DNA 在随机猜测准确率低于 1% 的任务上也能实现 89.11% 的端到端归因准确率，并且比最强基线高出 33.81%。