开放集 AIGC 检测的测试时课程

随着新的、更强大的生成模型不断出现，部署在开放世界环境中的人工智能生成图像探测器不可避免地面临分布变化。尽管现有方法通过更好的表示或训练数据构建来改进跨生成器泛化，但它们通常遵循静态的一次训练和部署范例，并且无法在部署后进行调整。在这项工作中，我们从测试时间适应的角度研究开放集 AIGC 图像检测。我们提出了测试时间课程（TTC），这是一个简单且与模型无关的框架，通过基于课程的自我训练来适应未标记测试数据的检测器。 TTC 从高度可靠的伪标记样本开始，逐步纳入更困难但信息丰富的案例，同时强制进行类别平衡选择，以减少生成器转换下的偏差更新。为了进一步提高伪标签质量，我们引入了跨尺度伪标签细化，它可以跨多个分辨率聚合互补证据以实现更可靠的适应，并在推理中应用噪声或融合来加强最终预测。此外，我们构建了 AIGCGuard，这是一个新的基准测试，包含 3,100 个代表性真实图像和 124,000 个来自 40 个最先进的开源和专有文本到图像模型的生成图像。对五个基准的广泛实验表明，TTC 显着提高了各种看不见的生成器变化下的整体检测性能，为开放集生成图像检测建立了实用且有效的测试时间自适应框架。