arXiv 论文提出 INP-X 诊断：AI 生成图像检测器依赖 VAE 引入的全局频谱伪影
AI-Generated Image Detectors Exploit Global Artifacts: Evidence from Inpainting Exchange
AI 导读
论文提出无需模型访问的单步诊断 Inpainting Exchange（INP-X），将编辑区域外的原始像素还原回去，揭示现有 AI 生成图像检测器依赖的是潜在扩散 inpainting 全图过 VAE 编解码带来的全局频谱伪影，而非真正识别合成内容。
推荐理由
论文提出无需模型访问的 INP-X 诊断，用交换未编辑区域像素实测各类检测器失效，读者可了解其失败机制与缓解方向。
正文 · AI 翻译
摘要：现代基于扩散模型的图像修复（inpainting）能够实现逼真的局部图像编辑，为可靠检测带来了重大挑战。我们表明，最先进的 AI 生成图像检测器在很大程度上无法识别被合成的是什么内容，而是利用了生成流程副作用引入的一种全局性伪影：潜在扩散修复会将整张图像通过 VAE 编码器--解码器，即使在未编辑的区域也会引起一种细微但普遍存在的频谱偏移。我们将这一观察转化为一个简单的、无需模型的诊断方法，即 Inpainting Exchange (INP-X)，它在不保留任何合成内容损失的前提下恢复编辑区域之外的原始像素。为了大规模研究这种效应，我们构建了一个包含 3 万组匹配的真实、标准修复和交换三联图像的基准（共 9 万张图像），涵盖四个数据集和三种修复模型。INP-X 无需访问模型，且只需一次合成步骤，却能使预训练检测器、商业 API 和偏差感知方法的性能降至随机水平（商业 API：$>$$90\%\!\to\!\sim$$55\%$；偏差感知方法 DDA：$97.6\%\!\to\!58.4\%$）。我们给出了形式化命题，将这一效应与 VAE 信息瓶颈导致的高频衰减联系起来，并通过因子实验和方差分解对其进行了因果隔离，将背景频谱偏移的 97% 归因于自编码器的往返转换。一项感知研究（$n{=}153$）表明这种偏移也能被人类感知，其准确率从 $63.8\%$ 降至 $56.2\%$（$p{=}0.002$）：显著降低，但并未完全消除。最后，我们表明基于机制的缓解措施（混合分布训练和定位监督训练）可以提升鲁棒性，但检测 INP-X 编辑仍然是一个未解决的问题。我们的基准和代码可在以下地址获取：this https URL
| 评论： | 被 WACV 2027 接收。23 页，16 幅图，20 张表 |
| 学科： | 计算机视觉与模式识别 (cs.CV); 人工智能 (cs.AI) |
| 引用格式： | arXiv:2602.00192 [cs.CV] |
| （或 arXiv:2602.00192v2 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2602.00192 arXiv 颁发的 DOI，经 DataCite 提供 |
提交历史
来自：Emirhan Bilgiç [查看邮件]
[v1]
2026 年 1 月 30 日 星期五 09:14:10 UTC (5,278 KB)
[v2]
2026 年 11 月 4 日 星期三 19:01:47 UTC (5,983 KB)
来源：arXiv cs.AI · arxiv.org