在数字化浪潮汹涌澎湃的今天，AI生成内容已深度渗透至我们生活的方方面面，从艺术创作到设计领域，再到信息传播与版权保护，其影响力无处不在。然而，随着生成模型技术的飞速发展，如何精准甄别AI生成图像成为业界与学界共同聚焦的难题。
近日，小红书生态算法团队、中科大、上海交通大学联合在ICLR 2025上提出行业稀缺的全人工标注Chameleon基准和行业领先的AIDE检测方法，为AI生成图像检测领域带来了新的挑战和曙光。
论文：
https://arxiv.org/pdf/2406.19435
主页：
https://shilinyan99.github.io/AIDE/
代码：
https://github.com/shilinyan99/AIDE
01 背景
随着生成模型的飞速发展，AI生成的图像在质量上已经达到了前所未有的高度，甚至能够以假乱真，这在艺术创作、设计等领域带来了新的机遇，但同时也引发了对图像真实性的担忧。如何有效地区分 AI 生成的图像与真实世界的图像，成为了图像取证、打击虚假信息以及保护版权等领域的关键问题。然而现有的 AI 生成图像检测方法虽然众多，但大多在特定的生成模型上训练和测试，缺乏对真实世界中复杂多样的 AI 生成图像的检测能力，这促使我们重新审视这一任务的解决情况。
因此，研究团队提出了Chameleon数据集和AIDE检测器。
02 问题设定：重新定义 AI生成图像检测任务
Train-Test Setting-I：在现有研究中，AI 生成图像检测任务通常被设定为在一个特定的生成模型（如 GAN 或扩散模型）上训练模型，然后在其他生成模型上进行测试。
然而，通常来说，这种设定存在两个主要问题：
- 评估Benchmark过于简单：现有Benchmark中的图像通常会有一些artifacts。
- 训练数据的局限性：将模型限制在特定类型的生成模型上 (GAN or 扩散模型) 训练，限制了模型从更先进的生成模型中学习多样化特征的能力。
为了解决这些问题，我们提出了一个新的问题设定：
Train-Test Setting-II：鉴别器可以将多种生成模型的图像混合一起训练，然后在更具挑战性的、真实世界场景中的图像上进行测试。这种设定更符合实际应用中的需求，能够更好地评估模型的泛化能力和鲁棒性。
03 ”幻像熔炉“ — Chameleon 数据集：挑战人类感知的基准
为了更真实地评估 AI 生成图像检测方法的性能，我们精心构建了Chameleon 数据集，如下图展示了我们的Chameleon数据集。
3.1 数据集特点
Chameleon数据集具有以下显著特点：
- 高度逼真性：所有AI生成图像均通过了人类感知“图灵测试”，即人类标注者无法将其与真实图像区分开来。这些图像在视觉上与真实图像高度相似，能够有效挑战现有检测模型的极限。
- 多样化类别：数据集涵盖了人类、动物、物体和场景等多类图像，全面模拟现实世界中的各类场景。这种多样性确保了模型在不同类别上的泛化能力。
- 高分辨率：图像分辨率普遍超过720P，最高可达4K。高分辨率图像不仅提供了更丰富的细节信息，也增加了检测模型对细微差异的捕捉能力。
3.2 数据集构建
为构建一个能够真实反映 AI 生成图像检测挑战的高质量数据集，我们在数据收集、清洗和标注环节均采取了创新且严谨的方法，确保数据集的高质量和高逼真度。
3.2.1 数据收集：多渠道、高逼真度图像获取
与之前的基准数据集不同，我们从多个流行的 AI 绘画社区（如 ArtStation、Civitai 和 Liblib）收集了超过 150K 的 AI 生成图像，这些图像均由广泛的用户创作，使用了多种先进的生成模型（如 Midjourney、DALL·E 3 和 Stable Diffusion 等）。这些图像不仅在视觉上逼真，而且涵盖了丰富多样的主题和风格，包括人物、动物、物体和场景等。此外，我们还从 Unsplash 等平台收集了超过 20K 的真实图像，这些图像均由专业摄影师拍摄，具有高分辨率和高质量。所有图像均获得了合法授权，确保了数据的合法性和可用性。
相比之下，之前的基准数据集通常使用生成效果较差的模型生成图像，缺乏多样性和真实感，如下图所示。
3.2.2 数据清洗：多维度、精细化过滤
为确保数据集的高质量，我们对收集的图像进行了多维度、精细化的清洗过程：
- 分辨率过滤：我们过滤掉了分辨率低于 448×448 的图像，确保所有图像具有足够的细节和清晰度，以反映 AI 生成图像的真实特性。
- 内容过滤：利用先进的安全检查模型（如 Stable Diffusion 的安全检查模型），我们过滤掉了包含暴力、色情和其他不适宜内容的图像，确保数据集的合规性和适用性。
- 去重处理：通过比较图像的哈希值，我们去除了重复的图像，确保数据集的多样性和独立性。
- 文本-图像一致性过滤：利用 CLIP 模型，我们计算了图像与对应文本描述的相似度，过滤掉了与文本描述不匹配的图像，确保图像与文本的一致性和相关性。
之前的基准数据集往往缺乏严格的过滤步骤，导致数据集中包含大量低质量的图像，影响了数据集的整体质量。
3.2.3 数据标注：专业标注平台与多轮评估
为确保数据集的准确性和可靠性，我们建立了专门的标注平台，并招募了 20 名具有丰富经验的人类标注者对图像进行分类和真实性评估：
- 分类标注：标注者将图像分为人类、动物、物体和场景四类，确保数据集覆盖了多种现实世界中的场景和对象。
- 真实性评估：标注者根据“是否可以用相机拍摄”这一标准对图像的真实性进行评估。每个图像独立评估两次，只有当两名标注者均误判为真实时，图像才被标记为“高逼真”。
- 多轮评估：为确保标注的准确性，我们对标注结果进行了多轮审核和校对，确保每个图像的分类和真实性评估结果准确无误。
与之前的基准数据集不同，我们的数据集经过了严格的人工标注，确保了数据集的高质量和高逼真度。之前的基准数据集往往缺乏严格的人工标注，导致数据集中的图像质量和标注准确性参差不齐。
通过上述多维度、精细化的数据收集、清洗和标注过程，我们构建了一个高质量、高逼真度的 AI 生成图像检测基准数据集，为后续的研究和模型评估提供了坚实的基础。我们的数据集不仅在规模上更大，而且在图像质量和标注精度上也有了显著提升，能够更好地反映 AI 生成图像检测的实际挑战。
3.3 数据集对比
Chameleon数据集可以作为现有评测数据集的扩展，Chameleon数据集在规模、多样性和图像质量等方面均展现出显著优势：
- 规模：Chameleon数据集包含约26,000张测试图像，是目前最大的AI生成图像检测数据集之一。
- 多样性：数据集涵盖了多种生成模型和图像类别，远超其他数据集的单一类别。
- 图像质量：图像分辨率从720P到4K不等，提供了更高质量的图像数据，增加了检测模型的挑战性。
04 ”超级侦探“ — AIDE模型：多专家融合的检测框架
在AI生成图像检测领域，现有的检测方法往往只能从单一角度进行分析，难以全面捕捉AI生成图像与真实图像之间的细微差异。为了解决这一问题，研究者们提出了简单且有效的AIDE（AI-generated Image DEtector with Hybrid Features）模型，该模型通过融合多种专家模块，从低级像素统计和高级语义两个层面全面捕捉图像特征，实现了对AI生成图像的精准检测。
4.1 模型整体架构
AIDE模型主要由两个核心模块组成：Patchwise Feature Extraction（PFE）模块和Semantic Feature Embedding（SFE）模块。这两个模块通过多专家融合的方式，共同为最终的分类决策提供丰富的特征信息。
4.2 Patchwise Feature Extraction（PFE）模块
PFE模块旨在捕捉图像中的低级像素统计特征，特别是AI生成图像中常见的噪声模式和纹理异常。具体而言，该模块通过以下步骤实现：
- Patch Selection via DCT Scoring：首先，将输入图像划分为多个固定大小的图像块（如32×32像素）。然后，对每个图像块应用离散余弦变换（DCT），将其转换到频域。通过设计不同的带通滤波器，计算每个图像块的频率复杂度得分，从而识别出最高频率和最低频率的图像块。
- Patchwise Feature Encoder：将筛选出的高频和低频图像块调整为统一大小（如256×256像素），并输入到SRM（Spatial Rich Model）滤波器中提取噪声模式特征。这些特征随后通过两个ResNet-50网络进行进一步处理，得到最终的特征图。
4.3 Semantic Feature Embedding（SFE）模块
SFE模块旨在捕捉图像中的高级语义特征，特别是物体共现和上下文关系等。具体而言，该模块通过以下步骤实现：
- Semantic Feature Embedding：利用预训练的OpenCLIP模型对输入图像进行全局语义编码，得到图像的视觉嵌入特征。通过添加线性投影层和平均空间池化操作，进一步提取图像的全局上下文信息。
4.4 Discriminator模块
将PFE和SFE模块提取的特征在通道维度上进行融合，通过多层感知机（MLP）进行最终的分类预测。具体而言，首先对高频和低频特征图进行平均池化，得到低级特征表示；然后将其与高级语义特征进行通道级拼接，形成最终的特征向量；最后通过MLP网络输出分类结果。
05 实验
5.1 实验设置
1. 数据集：实验在AIGCDetectBenchmark、GenImage和Chameleon三个数据集上进行。AIGCDetectBenchmark和GenImage是现有的基准测试数据集，而Chameleon是研究者们新构建的更具挑战性的数据集。
2. 模型对比：研究者选择了9种现成的AI生成图像检测器进行对比，包括CNNSpot、FreDect、Fusing、LNP、LGrad、UnivFD、DIRE、PatchCraft和NPR。
3. 评价指标：实验采用分类准确率（Accuracy）和平均精度（Average Precision, AP）作为评价指标。
5.2 实验结果
5.2.1 AIGCDetectBenchmark & GenImage
我们评测了AIDE在AIGCDetectBenchmark和GenImage上的结果，如下表所示：
AIDE模型在这两个数据集上的优异表现表明，融合低级像素统计和高级语义特征的方法能够有效捕捉AI生成图像与真实图像之间的差异，从而提高检测准确率。
5.2.2 Chameleon数据集
我们在Chameleon benchmark上测评了9个现有的detectors，如下表所示。
同时我们可视化了，之前的SOTA方法PatchCraft在AIGCDetectBenchmark & GenImage 以及Chameleon上的表现，如下图所示：
结果表明，之前在AIGCDetectBenchmark &GenImage上表现优异的模型，在我们Chameleon benchmark上均表现很差，这表明Chameleon数据集中的图像确实具有高度的逼真性，对现有检测模型提出了更大的挑战。
06 结论与展望
本论文通过对现有 AI 生成图像检测方法的重新审视，提出了一个新的问题设定，构建了更具挑战性的 Chameleon 数据集，并设计了一个融合多专家特征的检测器 AIDE。实验结果表明，AIDE 在现有的两个流行基准（AIGCDetectBenchmark 和GenImage）上取得了显著的性能提升，分别比现有的最先进方法提高了 3.5% 和 4.6% 的准确率。然而，在我们提出的 Chameleon 基准上，尽管 AIDE 取得了最好的性能，但与现有基准相比，仍存在较大的差距。这表明，检测 AI 生成图像的任务仍然具有很大的挑战性，需要未来进一步的研究和改进。我们希望我们的工作能够为这一领域的研究提供新的思路和方向，推动 AI 生成图像检测技术的发展。
尽管AIDE模型在AI生成图像检测领域取得了显著进展，但研究者们仍计划在未来的工作中进一步优化模型架构，此外，研究者们还计划扩大Chameleon数据集的规模，涵盖更多类别、更多场景、更多生成模型的图像，以推动AI生成图像检测技术的进一步发展，敬请期待！
同时团队还有一篇轻量高效的AI图像检测的工作「Improving Synthetic Image Detection Towards Generalization: An Image Transformation Perspective」*, 发表于KDD2025, 仅用1.44M参数超越SOTA4.5个点。
*上述论文链接：https://arxiv.org/abs/2408.06741
07 作者介绍
大少
小红书多模态算法工程师，硕士毕业于复旦大学计算机系，曾在 ICLR、NeurIPS、CVPR、ECCV、AAAI等机器学习与计算机视觉领域顶级会议上发表 10 余篇论文，曾获2024全球DeepFake攻防挑战赛 Global Multimedia Deepfake Detection Challenge 2024 Video Detection 任务全球亚军、YouTube-VOS 视频分割竞赛全球亚军等。主要研究方向：多模态大模型、多模态理解 & 生成、多模态表征、AIGC生成&鉴别等。
嘉音
小红书多模态算法工程师，硕士毕业于清华大学计算机系，负责小红书社区生态场景下大模型算法研究与应用。曾在ICLR、 CVPR、ACM MM、 KDD 等机器学习、计算机视觉、数据挖掘领域顶会发表数篇论文，曾获2024全球DeepFake攻防挑战赛 Global Multimedia Deepfake Detection Challenge 2024 Video Detection 任务全球亚军。主要研究方向：多模态大模型、AIGC生成&鉴别、视频理解、视频编辑等。
莱戈
小红书生态算法团队负责人。曾在 CVPR、ICCV、ICLR、ECCV、IJCV 等会刊发表 10 余篇论文，曾获 YouTube-VOS 视频分割竞赛 Top-3 排名，曾获天池视觉分割大奖赛复赛第 1 名。主要研究方向：目标跟踪、视频分割、多模态分类/检索、多模态大模型等。
