这篇研究论文介绍了一种指南，帮助读者更好地识别 AI 生成图像中的伪造和不合理之处，以区分真实照片和 AI 生成图像。

Jun, 2024

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

本研究使用 “多样性 vs. 可识别性” 评分框架，对一次性扩散模型进行了改进，并发现其可以生成看起来似乎是人类所绘制的图画，但在细节原创性和可识别性方面仍不如人类所绘制的图画，这一差距可以部分地被不同的视觉策略所解释。

Jan, 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

该研究探究了在合成图像检测中使用人工智能支持的人类操作员与使用传统方法训练的模型的效果比较，结果发现人工智能在训练时使用的人类指导会提供更好的图像分类支持。同时，向人类操作员提供合成图像检测模型的决策或热点映射可以提高模型的分类准确性并增加人类操作员的信任感，从而提高人类操作员与人工智能合作的效果。

Aug, 2022

通过在训练数据集中引入合成艺术作品，我们研究了人造艺术品检测性能的提升潜力。我们以文森特・梵高的绘画为重点，发布了第一个专门用于检测伪造艺术品的数据集，并在亚美迪奥・莫迪利亚尼和拉斐尔的艺术家身上进行同样的分析。我们使用由稳定扩散和 StyleGAN 生成的以这些艺术家的风格为基础的图像，将人造伪造品和以知名艺术家的风格为基础的仿造品用于训练分类器，发现额外的合成伪造品能够稳定提高对人造伪造品的检测能力。此外，我们还发现，和以前的研究一致，训练数据中包含合成伪造品也能够有效检测出由人工智能生成的伪造品，特别是使用类似生成器生成的伪造品。

Dec, 2023

通过比较分析 AI 生成的艺术与人类艺术，揭示了生成式机器学习在艺术创作中的创造潜力，发现 AI 生成的艺术作品与现代艺术概念相关，同时通过色彩构成和主题熟悉度来推测艺术品的喜好和情感体验。

Feb, 2024

本文探讨生成式 AI 模型对艺术创作的影响，重点关注了不正当使用艺术家作品的问题以及市场利益转移，同时指出若应用得当，AI 生成模型有潜力成为艺术的一种积极的新方式，不会取代或损害现有的艺术家。

Sep, 2022

本文是一篇文献综述，探讨了 AI 生成模型在静态和交互媒体中简化视觉创造流程的巨大潜力及其在技术和伦理方面对多个重要产业的影响，涵盖了 AI 文本到图像生成、Midjourney、Stable Diffusion、AI 伦理、游戏设计、数字艺术和数据洗白等方面的关注点和挑战，以及如何通过适当的监管解决相关的法律、伦理等问题。

May, 2023

通过建立一个综合基准测试来评估最先进的检测器的泛化能力和鲁棒性，然后通过频域分析伪造痕迹来得出各种见解，并进一步证明使用频率表示训练的检测器可以很好地泛化到其他未见的生成模型。

Feb, 2024