Tag · 13 篇
AI生成图像检测
通过RAW-RGB对齐实现AI生成图像的零样本检测
Zero-shot Detection of AI-Generated Image via RAW-RGB Alignment
提出基于RAW-RGB对齐痕迹的零样本AI生成图像检测方法，利用真实图像在物理到数字转换过程中的参数相关性作为取证特征，可复用于图像取证和真实性验证任务。
面向可泛化AI生成图像检测的图像自适应提示词学习
Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning
把提示词从训练后固定改为按测试图像动态生成，并用单样本多视图预测一致性在推理时优化自适应 token，为视觉基础模型在分布外伪造图像上的泛化提供了一套可复用的测试时自适应提示词方案。
SimLBR：通过学习检测真实图像来检测伪造图像
SimLBR: Learning to Detect Fake Images by Learning to Detect Real Images
提出在潜空间对真实图像做混合正则化来学习紧致的真实分布边界，将伪造类别视为汇点类，这种思路可迁移到其他需要检测分布外样本的视觉任务（如异常检测、开放集识别）。
以生成器感知原型扩展AI生成图像检测
Scaling Up AI-Generated Image Detection with Generator-Aware Prototypes
用一组紧凑的"伪造原型"把真实/合成图像特征压到低方差统一空间，再用LoRA两阶段微调预训练编码器，可直接迁移到任何需要跨生成器泛化的取证或真伪判别任务。
SAIDO：基于场景感知与重要性引导动态优化的持续学习式AI生成图像泛化检测
SAIDO: Generalizable Detection of AI-Generated Images via Scene-Aware and Importance-Guided Dynamic Optimization in Continual Learning
用 VLLM 做场景感知并动态分配专家模块，配合重要性引导的梯度投影来缓解持续学习中的灾难性遗忘，可直接迁移到任何需要跨域泛化的伪造检测或分布漂移下的分类任务。
ReAlign：通过推理对齐表征实现可泛化的图像伪造检测
ReAlign: Generalizable Image Forgery Detection via Reasoning-Aligned Representation
把LLM生成的推理文本当作可蒸馏的语义监督信号，通过图文对比对齐将其迁移到轻量检测器中，为视觉取证任务提供了一条「用推理表征提升泛化性」的可复用路径，可直接用于AIGI检测与跨生成器泛化评测。
PPM-CLIP：面向可泛化AI生成图像检测的概率提示建模
PPM-CLIP: Probabilistic Prompt Modeling for Generalizable AI-Generated Image Detection
将CLIP的提示词从静态分类模板改为条件生成分布，为视觉任务中利用提示词建模不确定性提供新思路；补丁级对比学习可增强视觉编码器对局部细微伪影的敏感度，可迁移到细粒度检测任务。
先定位再复核：基于区域定位推理提升AI生成图像检测
Locate-Then-Examine: Grounded Region Reasoning Improves Detection of AI-Generated Images
把VLM的取证判断显式绑定到局部区域证据上：先做可疑区域提议，再对裁剪块与全图联合重审，这种「定位-复核」两阶段范式可迁移到任何需要像素级依据的细粒度真伪/异常判别任务，如深伪检测、篡改定位。
面向泛化AI生成图像检测的生成签名监督学习
Enabling Supervised Learning of Generative Signatures for Generalized AI-Generated Images Detection
用随机架构与参数的动态重建器在真实图像上模拟生成痕迹，以重建残差作为代理监督训练痕迹提取器，为缺乏真值的取证类任务（如伪造检测、篡改定位）提供了一条可复用的监督构造思路。
通过相位谱鲁棒性检测压缩后的AI生成图像
Detecting Compressed AI-Generated Images via Phase Spectrum Robustness
利用压缩下仍稳定的相位谱作为跨模态线索，并通过多域调制适配器实现参数高效微调，为视觉取证类任务提供了一条不依赖原图-压缩图配对与压缩标签的鲁棒特征融合思路。
检测任意AI伪造文本图像
Detect Any AI-Counterfeited Text Image
DanceText 提供了覆盖全图生成、区域擦除与编辑三类伪造范式的十万级文本图像伪造数据集，并首次纳入多模态大模型与商用软件产物；DS-Net 的取证解耦编码器提取与生成器无关的伪影特征、协同去噪解码器联合图像级分类与实例级定位，可直接迁移到通用 AIGC 图像取证与篡改区域定位任务。
一种用于检测AI生成图像的双重差分方法
A Difference-in-Difference Approach to Detecting AI-Generated Images
把重建误差从一阶差分升级为二阶差分（difference-in-difference）来降低方差，这一思路可直接迁移到任何基于重建/残差信号的取证与异常检测流程中，例如扩散模型指纹检测或图像篡改定位。
面向AI生成图像免训练检测的去偏重建框架
A Debiased Reconstruction-based Framework for Training-Free Detection of AI-Generated Images
对做视觉研究的人，这篇论文提供了一个可直接复用的免训练检测信号：用旋转与低通滤波增强来归一化LDM的图像级重建误差，抵消背景偏置；同时把潜变量级重建误差经旋转归一化后作为补充信号，二者统一为RDD分数，可在无检测训练数据时跨多种生成模型使用。