人工智能生成图像检测：方法进展、基准体系与关键挑战

近日，《中国图象图形学报》刊发复旦大学多媒体智能安全实验室的研究成果——《人工智能生成图像检测技术综述》。该研究团队围绕人工智能生成图像检测领域的技术方法与评测体系，系统梳理了当前研究进展。

 

研究团队首先对主流图像生成模型的基本类型及生成机制进行了归纳，包括生成对抗网络、自回归模型与扩散模型等。在此基础上，从监督范式、检测依据与技术实现等多个维度，对现有生成图像检测方法进行了系统分类。围绕“检测依据”这一核心问题，论文将相关方法归纳为基于像素域特征、频域特征、预训练模型特征、融合特征以及特定规则等技术路径。

 

在方法体系梳理的基础上，研究团队进一步整理并对比了当前常用的生成图像检测基准数据集，分析了不同数据集在生成模型覆盖范围、数据规模及图像属性等方面的特点。论文从域内准确性、域外泛化性与鲁棒性三个方面构建评测框架，并在统一标准下对多种代表性检测方法的性能进行比较分析，为理解不同技术路线在复杂应用场景下的适用性提供了系统参考。

 

在展望部分，研究团队指出，无偏数据集构建、真实场景鲁棒性提升、跨模型泛化能力增强以及反取证攻击研究，仍是当前领域面临的重要问题。随着生成模型持续演进，如何构建更加可靠、可扩展的检测体系，是人工智能安全领域亟需解决的关键课题。

 

研究详情请见原文：

《人工智能生成图像检测技术综述》

https://doi.org/10.11834/jig.250053

 

---

---