arXiv cs.AI· Elif Nebioglu, Emirhan Bilgi\c{c}, Adrian Popescu·· 11 小时前AI 评分58
AI 生成图像检测器依赖全局伪影：INP-X 修复实验揭示检测失效
AI-Generated Image Detectors Exploit Global Artifacts: Evidence from Inpainting Exchange
AI 导读
研究提出 Inpainting Exchange（INP-X）诊断方法，在保留合成内容的同时还原编辑区域外的原始像素，使预训练检测器、商业 API 和去偏方法准确率大幅下降，商业 API 从超过 90% 降至约 55%，去偏方法 DDA 从 97.6% 降至 58.4%。
正文 · AI 翻译
摘要：现代基于扩散的修复技术能够实现逼真、局部的图像编辑，这给可靠检测带来了关键挑战。我们表明，最先进的 AI 生成图像检测器在很大程度上无法识别\emph{什么}被合成了，而是利用了生成流程副作用引入的\emph{全局}伪影：潜在扩散修复将整张图像通过 VAE 编码器--解码器，即使在未编辑区域也会引发细微但普遍的频谱偏移。我们将这一观察转化为一种简单、无需模型的诊断方法，\emph{修复交换}（INP-X），它在保留所有合成内容的同时恢复编辑区域之外的原始像素。为了大规模研究这一效应，我们构建了一个包含 $30$K 匹配的真实、标准修复和交换三元组（$90$K 图像）的基准，涵盖四个数据集和三个修复器。INP-X 无需模型访问，仅需单次合成步骤，却能使预训练检测器、商业 API 和偏差感知方法降至随机水平（商业 API：$>$$90\%\!\to\!\sim$$55\%$；偏差感知的 DDA：$97.6\%\!\to\!58.4\%$）。我们给出了将该效应与 VAE 信息瓶颈引起的高频衰减联系起来的正式命题，并通过析因实验组和方差分解因果地将其隔离，将 $97\%$ 的背景频谱偏移单独归因于自编码器往返。一项感知研究（$n{=}153$）表明，该偏移对人类也是可感知的，其准确率从 $63.8\%$ 降至 $56.2\%$（$p{=}0.002$）：显著降低，但并未消除。最后，我们表明机制驱动的缓解措施（混合分布和定位监督训练）提高了鲁棒性，但检测 INP-X 编辑仍是一个开放问题。我们的基准和代码可在以下网址获取：此 https URL
| 评论： | 被 WACV 2027 接收。23 页，16 幅图，20 张表 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2602.00192 [cs.CV] |
| （或此版本的 arXiv:2602.00192v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2602.00192 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Emirhan Bilgiç [查看电子邮件]
[v1]
2026 年 1 月 30 日星期五 09:14:10 UTC（5,278 KB）
[v2]
2026 年 11 月 4 日星期三 19:01:47 UTC（5,983 KB）
来源：arXiv cs.AI · arxiv.org