arXiv cs.AI· Meiling Li, Pietro Bongini, Benedetta Tondi, Mauro Barni·· 13 小时前AI 评分22
免训练合成图像归因中的表征与参考选择
Representation and Reference Selection in Training-Free Synthetic Image Attribution
AI 导读
研究分析了免训练参考式合成图像归因中表征空间与参考构建方式的交互作用，使用 CLIP 和 DINOv2 不同层提取的表征及三种语义约束程度的参考选择策略。结果显示归因准确率通常在中间表征层达到峰值，语义约束参考可减少查询-参考不匹配，在参考预算有限时重合成参考更有效，而中等规模参考池下语义对齐参考的精度-成本权衡更优。
正文 · AI 翻译
摘要：合成图像归因旨在识别生成给定 AI 生成图像的生成器。无需训练的基于参考的归因方法易于扩展，因为新兴生成器可以通过添加源特定参考来纳入，而无需重新训练任务特定的分类器。其性能取决于两个相互耦合的因素：用于比较的表示空间以及源特定参考的构建方式。然而，这两个因素之间的相互作用在很大程度上仍未被探索。在本文中，我们使用参考和现成的预训练表示对这种相互作用进行了受控分析。我们研究了从 CLIP 和 DINOv2 不同层提取的表示，以及三种具有不同语义约束的参考选择策略：任意参考、语义对齐参考和基于重合成的参考。我们的结果表明，归因准确率通常在中间表示层达到峰值，这表明在强语义抽象占据主导之前，源判别线索更容易获取。我们进一步表明，中间表示并非完全语义中性，这使得参考选择至关重要：语义约束的参考减少了查询与参考之间的不匹配并提高了归因效果，尤其是在参考预算有限的情况下。在低参考条件下，重合成是有用的，而当有中等规模的参考池可用时，语义对齐的参考提供了更好的准确率-成本权衡。我们的发现表明，无需训练的基于参考的归因应被理解为图像在何处比较、参考集如何构建以及可用参考数量三者之间的相互作用。代码和数据集可在 此 https URL 获取。
| 评论： | 6 页，5 幅图，4 张表。已被 2026 IEEE 信息取证与安全国际研讨会（WIFS 2026）接收 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2607.12052 [cs.CV] |
| （或 arXiv:2607.12052v2 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2607.12052 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Meiling Li [查看电子邮件]
[v1]
2026 年 7 月 13 日星期一 18:10:39 UTC（1,130 KB）
[v2]
2026 年 10 月 28 日星期三 07:28:27 UTC（1,145 KB）
来源：arXiv cs.AI · arxiv.org