小紅書等給AI圖像檢測上難度！數據集均通過人類感知“圖靈測試” | ICLR 2025

AI圖像鑒別新SOTA

原標題：小紅書等給AI圖像檢測上難度！數據集均通過人類感知“圖靈測試” | ICLR 2025
文章來源：量子位
內容字數：8370字

小紅書團隊聯合高校推出AI生成圖像檢測新方法：AIDE

隨著AI生成內容的普及，精準甄別AI生成圖像成為迫切需求。小紅書生態算法團隊、中科大、上海交通大合推出了一套行業領先的AI生成圖像檢測方法——AIDE，并構建了高質量的Chameleon基準數據集，顯著提升了AI生成圖像檢測的準確率。

1. 現有AI生成圖像檢測方法的局限性

現有的AI生成圖像檢測方法通常存在兩個主要問題：評估基準過于簡單，現有基準數據集中的圖像通常包含一些人工痕跡（artifacts）；訓練數據的局限性，模型通常在一個特定的生成模型（如GAN或擴散模型）上進行訓練，限制了其泛化能力。

2. Chameleon數據集：更真實，更具挑戰性

為了解決上述問題，研究團隊構建了Chameleon數據集，該數據集具有以下顯著特點：

1. 高度逼真性：所有AI生成圖像均通過了人類感知“圖靈測試”，人類標注者難以將其與真實圖像區分。
2. 多樣化類別：涵蓋人類、動物、物體和場景等多類圖像，模擬現實世界場景。
3. 高分辨率：圖像分辨率普遍超過720P，最高可達4K，提供更豐富的細節信息。

Chameleon數據集的構建過程非常嚴謹，包括多渠道高逼真度圖像獲取、多維度精細化數據清洗（分辨率過濾、內容過濾、去重處理、文本-圖像一致性過濾）以及專業標注平臺與多輪評估。

與之前的基準數據集相比，Chameleon數據集在規模、多樣性和圖像質量方面均展現出顯著優勢，包含約26,000張測試圖像，是目前最大的AI生成圖像檢測數據集之一。

3. AIDE模型：多專家融合的檢測框架

AIDE模型（AI-generated Image DEtector with Hybrid Features）通過融合多種專家模塊，從低級像素統計和高級語義兩個層面全面捕捉圖像特征，實現了對AI生成圖像的精準檢測。

AIDE模型主要由兩個核心模塊組成：

1. Patchwise Feature Extraction (PFE) 模塊：捕捉圖像中的低級像素統計特征，例如噪聲模式和紋理異常。
2. Semantic Feature Embedding (SFE) 模塊：捕捉圖像中的高級語義特征，例如物體共現和上下文關系。

這兩個模塊提取的特征融合后，通過多層感知機(MLP)進行最終的分類預測。

4. 實驗結果與結論

實驗結果表明，AIDE模型在AIGCDetectBenchmark和GenImage數據集上取得了顯著的性能提升，分別比現有的最先進方法提高了3.5%和4.6%的準確率。即使在更具挑戰性的Chameleon數據集上，AIDE也取得了最佳性能，但這表明AI生成圖像檢測仍然具有很大的挑戰性，需要進一步的研究和改進。

5. 未來工作

研究團隊計劃在未來工作中進一步優化模型架構，探索更高效的特征提取和融合方法，并擴大Chameleon數據集的規模，以推動AI生成圖像檢測技術的進一步發展。

聯系作者

文章來源：量子位
作者微信：
作者簡介：追蹤人工智能新趨勢，關注科技行業新突破