论文研读｜以真实图像为参考依据的AIGC检测_detecting generated images by real images

前言：这篇文章介绍几篇AIGC检测的相关工作，均是以真实图像的特征作为标准进行检测。

---

Detecting Generated Images by Real Images Only (202311 arXiv)

作者团队：Xiuli Bi, et al. 重庆邮电大学
论文链接：https://arxiv.org/abs/2311.00962
核心思想：仅仅使用真实图像作为训练数据，基于真实图像的潜在噪声模式，训练一个单分类器，进行AIGC的检测。

这篇文章其实是他们组另一篇文章 Detecting Generated Images by Real Images (ECCV 2022) 的改进版。ECCV 2022 那篇论文中提出来的 LNP 应用到了这篇文章中。

个人评价：刚刚读到这篇文章的时候，醍醐灌顶，单分类器恰恰解决了AIGC检测的泛化性问题呀！它把真或假问题变为真或不真问题，仅仅使用真实数据就能够判断待检测图像的真假。（但是不知道为啥和皮衣讨论的时候他的内心不为所动……）

---

Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models (202403 arXiv)

作者团队：Liang Ziyou, et al. 武汉大学
论文链接：https://arxiv.org/abs/2403.16513
核心思想：首先训练一个特征提取器，使用自监督特征映射机制，提取真实图像的同质特征和异质特征，期间使用对比学习实现两类特征的高内聚，低耦合。然后，冻结特征提取器，使用对比学习区分真实同质特征和虚假特征，并根据真实同质特征与虚假特征的差异，帮助分类器做出判断。论文题目中的Judger应该就是指的对比学习中的Anchor吧……

个人评价：该工作反复使用对比学习，先提炼出真实图像中的同质特征，然后根据真实图像的同质特征和虚假图像特征的差异，判断图像的真实性。个人认为这项工作的亮点在于真实图像的同质特征提取，其他的好像也没什么特别之处（个人拙见），Emmm看看它最后的归宿吧……

DRCT: Diffusion Reconstruction Contrastive Training towards Universal Detection of Diffusion Generated Images (ICML 2024)

作者团队：Baoying Chen et al. 阿里巴巴 & 中山大学
论文链接：https://openreview.net/forum?id=oRLwyayrh1
核心思想：首先得到真实图像和虚假图像各自的重建图像，然后基于真实、真实重建、虚假、虚假重建这4类图像，使用对比学习损失训练分类器，得到更加准确的决策边界。

个人评价：和上一篇工作有些相似，只不过这篇工作把真实图像也重建了一下，反复使用对比学习，注意⚠️：真实图像重建后的图像也是虚假图像！

基于重建损失的AIGC检测工作见此篇文章：论文研读｜针对文生图模型的AIGC检测

---

后记：最近在罗翔老师的带领下读《理想国》，苏格拉底试图说明的是这个世界上善是唯一的，所有的坏都是对善的偏离。这个世界不是善恶对决的，所有的坏只是对善的一种亏欠和偏离，就像爱因斯坦所说的那句话，“这个世界上没有寒冷，寒冷是温暖的缺失，这个世界没有黑暗，黑暗是光明的缺失，这个世界没有仇恨，仇恨是爱的缺失。” 那么，是不是虚假是对真实的一种亏欠和偏离呢？能否从这个角度，把真实当作标杆，以此来检测虚假呢？我想，这篇文章介绍的几篇工作与这一思想不谋而合。个人认为，以真实样本作为参考的AIGC检测将会是未来的一大趋势。