释放视觉语言模型的潜力，用于通用人工智能生成的图像检测

最近的工作表明，对现代视觉基础模型 (VFM) 的冻结表示进行简单的线性探针可以实现最先进的 AIGI 检测性能，在具有挑战性的野外场景中大大优于专用检测器。这一发现将 DINOv3 确立为后续改进的主要基础模型基线。然而，我们发现视觉语言模型感知编码器（PE）在 AIGI 检测方面具有更大的潜力，因为它的语言对齐表示保留了高级来源语义。具体来说，PE 在其冻结特征空间中表现出比 DINOv3 更强的本地起源组织。然而，语义无关的线性探测无法利用这种结构，因为 PE-Linear 在 In-the-Wild 上的表现仍然比 DINOv3-Linear 低 4.1%。基于这一观察，我们提出了语义原型校准（SPC），它根据取证语义信息构建类别原型，并用监督数据对其进行校准。我们将 SPC 应用于 PE，并将所得检测器称为 PE-SPC。我们的分析表明，这种简单的设计实现了更强的泛化性。在跨生成器、后处理和野外基准测试中，PE-SPC 超越了之前的 DINOv3 基准，并取得了新的最先进结果。