LoRC：通过语义残差中的低秩崩溃检测人工智能生成的图像

现代生成器忠实地模拟宏观语义，生成看起来高度逼真的合成图像。因此，决定性的取证线索存在于微妙的非语义视觉差异中。为了揭示这些线索，我们从几何角度重新审视 AIGI 检测，并识别与架构无关的签名。具体来说，现代生成器在语义残差正交子空间中表现出低秩崩溃（\textit{即，秩简并），同时在很大程度上保留了主导语义方向。这种结构扁平化在最终解码阶段持续出现，形成跨不同生成器架构的共享瓶颈。受此签名的启发，我们提出了 \textbf{LoRC}，这是一个解耦语义优势以捕获由生成解码瓶颈引起的折叠残差几何的框架。我们的方法在多个基准测试中将准确率平均提高了 7.0%，并在 39 个看不见的生成器上实现了 97.0% 的准确率。这些结果展示了强大的跨模型泛化性和鲁棒性，使 LoRC 成为复杂现实环境中 AIGI 检测的可靠方法。