使用 DINOv3 进行锚定正则化自适应人工智能生成的图像检测

人工智能生成图像检测的最新研究表明，仔细的训练数据对齐可以通过消除虚假相关性来提高泛化能力。然而，即使在未对齐的数据集上进行训练，冷冻 DINOv3 表示上的线性探针也能实现非常强大的性能。受此结果的启发，我们分析了这种概括的基本原理和局限性。我们发现冻结的 DINOv3 表现良好，因为它的决策依赖于忠实代表真实图像空间的特征。与此同时，它的最后一层在捕捉微妙的像素伪影线索方面效果较差，而这些线索可以通过对齐的训练数据来强调。我们进一步观察到，在适应过程中天真地混合对齐和未对齐的数据可以提高对此类线索的敏感性，但代价是扭曲预先训练的表示，限制泛化。为了解决这个问题，我们提出了锚定正则化适应（ARA）。我们应用低秩适应来捕获像素级伪影，同时利用冻结的锚分类器来避免与原始表示结构的偏差。这使得模型能够在不牺牲泛化性的情况下利用像素伪影线索。我们的方法在九个不同且具有挑战性的基准上实现了最先进的性能，这表明 ARA 能够对未对齐和对齐的数据进行补充监督，以实现更有效的检测。