AI-Art 探测器在发电机变换下的鲁棒性

文本到图像生成模型发展迅速，现代 Diffusion Transformer 架构生成的图像越来越难以与人类创作的艺术品区分开来。这一发展引起了人们对版权保护、错误信息、欺诈、冒充和数字内容真实性的严重担忧。大多数人工智能艺术探测器都是在同一生成器系列上进行训练和评估的，因此新架构的鲁棒性尚未得到充分探索。在本章中，我们通过对保留的人类艺术作品样本的反向提示，基于涵盖十种艺术风格的稳定扩散 3.5 介质 (SD3.5m) 艺术作品数据集来分析生成器移位。五个检测器在基于 U-Net 的潜在扩散图稿上进行训练，并在 SD3.5m 数据集上的零样本交叉生成器设置中进行评估。深度学习模型在分布中表现出色，但在生成器转换下性能会下降，将许多 SD3.5m 图像错误分类为人类图像，而人类误报率仍然很低。 CLIP ViT-L/14 模型总体表现最好，而 Grad-CAM 分析显示假阴性的激活较弱且更分散。这些发现凸显了当前人工智能艺术探测器的泛化差距，并激励探测器作为分层防御的一个组成部分进行开发，这种防御在快速发展的生成架构中仍然可靠。