摘要
扩散模型的快速发展使得合成图像逼真度显著提升，同时也带来安全风险。研究发现，DDIM反演过程中不同时间步会揭示合成与真实图像的细微差异（如高频频谱差异和像素方差分布）。基于此，提出一种绕过传统重建策略的检测方法：通过训练多噪声时间步集成模型直接利用中间噪声图像特征。此外，设计可解释生成与优化模块，通过量化指标定位并解释AI生成图像的缺陷。构建了高难度检测样本集GenHard和高质量解释基准GenExplain。实验表明，该方法在常规和挑战性样本上分别达到98.91%和95.89%的检测准确率，并展现优秀的泛化性与鲁棒性。
关键技术
- 时间步特征分析
- 实证发现不同DDIM反演时间步能捕捉合成图像的独特痕迹（如高频域异常）。
- 多时间步集成模型
- 直接对中间噪声图像特征进行集成训练，避免传统方法依赖完整图像重建的局限。
- 可解释性模块
- 通过度量驱动的解释生成与优化，自动定位合成图像的物理不合理区域（如纹理矛盾）。
- 基准数据集
- 发布GenHard（高难度对抗样本）和GenExplain（带人工标注解释）两大基准。
实验结果
- 在ProGAN、StyleGAN等生成图像上的检测准确率超越现有方法6.2%。
- 对对抗攻击（如添加噪声、模糊）保持90%以上的鲁棒性。
- 可解释模块生成的缺陷定位与人工标注重合度达82.3%。