该论文提出了一种针对未知生成器的异常检测视角下的对抗式师生差异感知框架，通过采用对抗学习训练特征增强器，促使真实图像与教师模型之间的输出差异较小，而假图像的输出差异较大，从而解决了未知生成器检测问题。实验结果在公共基准测试中达到了最先进水平，可视化结果显示在面对各种类型的生成器时仍能保持较大的输出差异。

Dec, 2023

基于真实图像的生成图像检测方法，在特征空间中找到真实图像的共性，并将其映射到稠密子空间，从而使得无论生成模型如何，生成图像都能够被投影到子空间之外，实验证明所提方法能够在高推理效率的同时，通过使用较少的训练数据与最新生成模型竞争，并具有抗各种后处理的鲁棒性。

Nov, 2023

基于人工智能图像生成的技术不断提升，产生更具逼真性且视觉缺陷较少的图像。这些图像被用于创建虚假在线账户，用于垃圾邮件、欺诈和虚假信息传播活动。本研究聚焦于区分真实的面部和基于人工智能生成的面部，以解决使用伪造用户头像的非真实在线账户检测问题。通过仅关注面部，我们展示了一种更具有弹性和通用性的工件，可以检测来自各种生成对抗网络和扩散基础合成引擎的人工智能生成面部，同时适用于多种图像分辨率（低至 128 x 128 像素）和质量。

Nov, 2023

该论文介绍了 GenImage 数据集，该数据集拥有超过 100 万对人工智能生成的假图像和真实图像，且具有丰富的图像内容和最先进的生成器，通过该数据集，研究人员可以有效加快相对于现有方法的优越人工智能生成图像检测器的开发和评估。

Jun, 2023

生成式人工智能的最新进展已经导致了生成视觉逼真合成视频的技术的发展。本文证明合成图像检测器无法检测合成视频，因为合成视频生成器引入的痕迹与图像生成器留下的痕迹明显不同。尽管如此，我们展示了合成视频痕迹是可以学习的，并且可以在 H.264 重新压缩后用于可靠的合成视频检测或生成器来源归因。此外，我们还证明了通过零样本迁移进行新生成器的视频检测具有挑战性，但可以通过少样本学习实现对新生成器的准确检测。

Apr, 2024

本文探讨了在不同概念类之间泛化的挑战，并提出了一种基于质量评估模型的质量抽样方法，通过 StyleGAN2 和 Latent Diffusion 生成的图像进行实验，结果表明采用本文提出的方法可以提高合成图像检测器的检测性能。

Apr, 2023

该研究探讨了在计算机视觉和深度学习领域中，对抗生成网络（GAN）所生成的图像识别与分类中的持续性学习问题，并提出了一种基于增量学习的方法来解决这个问题。通过实验和数据集，该方法的正确性得到了验证。

Oct, 2019

该研究论文提出了一种系统性尝试，以理解和检测在对抗场景中生成的 AI 图像（AI 艺术）。该论文收集和分享了一个名为 ARIA 的数据集，其中包含来自四种热门 AI 图像生成器生成的真实图像和对应的人工对应图像。通过对 ARIA 数据集进行用户研究和基准测试，评估了真实世界用户和现有 AI 图像检测器在识别这些图像上的能力，并介绍了一个 ResNet-50 分类器，并评估了它在 ARIA 数据集上的准确性和可迁移性。

Apr, 2024

本篇论文旨在通过 ArtiFact 大型数据集以及多分类分类方案和滤波步幅缩减策略，检测来自已知和未知生成器的合成图像，以增强合成图像探测器的泛化和鲁棒性。结果表明，该方案在 IEEE VIP Cup ICIP 2022 挑战赛上取得了明显的优势。

Feb, 2023

通过学习真实图像的自然特征，利用监督对比学习的方法，我们的研究提出了一种探测器，针对虚假图像中的伪像纹理的变化进行检测，并在广泛的实验证明了其在未知伪造技术的泛化和对不同变换的鲁棒性方面的显著优势。

Mar, 2024