arXiv cs.AI· Zhiheng Peng, Wenwei Jin, Yangshi Ge, Siyu Xia, Jiawei Li, Xu Tang·· 9 天前AI 评分27
EvoKnow：面向 AI 生成图像检测的持续知识演化框架
EvoKnow: Continual Knowledge Evolution for AI-Generated Image Detection
AI 导读
EvoKnow 是一个无需回放的持续学习框架，将 AI 生成图像检测建模为取证知识演化，通过保留共享取证基座、增量添加隔离残差专家，并用闭式更新的 Analytical Incremental Router（AIR）检索专家能力。
正文 · AI 翻译
摘要：AI 生成图像检测器通常基于固定的生成器域进行训练，随着新生成模型的出现，其维护变得困难。持续适应具有挑战性，因为重放历史生成图像成本高昂，而用有限的当前域数据更新共享参数可能会覆盖先前的取证知识。我们提出 EvoKnow，一个无需重放的框架，将持续 AI 生成图像检测表述为取证知识演化。EvoKnow 保留从基础域学习到的共享取证基础，增量添加孤立的残差专家以获取互补的生成器相关证据，并通过 Analytical Incremental Router (AIR) 检索专业知识，该路由器根据当前阶段生成的图像和累积的充分统计量以闭式形式更新。实验证明了有效的跨生成器泛化、少样本扩展和长时程持续适应。对于每个新到达的生成器仅使用十张生成图像，EvoKnow 在非基础 GenImage 生成器上达到 96.70% 的平均准确率，在 Chameleon 上达到 94.48% 的准确率，且无需目标基准适应。在严格的无需重放持续学习协议下，EvoKnow 实现了最先进的持续学习性能，达到 96.32% 的平均阶段准确率和 4.32% 的平均遗忘率。
| 评论： | 19 页，6 幅图 |
| 主题： | 计算机视觉与模式识别 (cs.CV)；人工智能 (cs.AI) |
| 引用为： | arXiv:2610.11381 [cs.CV] |
| （或 arXiv:2610.11381v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11381 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Wenwei Jin [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 07:12:47 UTC（633 KB）
来源：arXiv cs.AI · arxiv.org