CoDA: Color Distribution Probing for Efficient and Generalizable AI-Generated Image Detection

Technische Zusammenfassung: CoDA: Color Distribution Probing für eine effiziente und generalisierbare Erkennung KI-generierter Bilder

Problemstellung
Die Erkennung KI-generierter Bilder steht derzeit vor einem grundlegenden Zielkonflikt zwischen Generalisierbarkeit und Effizienz. Leichte, auf Artefakten basierende Methoden verschlechtern ihre Leistung oft, wenn sie auf unbekannte Generatoren oder visuelle Domänen treffen, während robuste großskalige Modelle (z. B. Vision-Language-Modelle) rechenintensiv sind und möglicherweise weiterhin Schwierigkeiten mit unterrepräsentierten Domänen wie medizinischen oder technischen Bildern haben. Darüber hinaus konzentrieren sich bestehende Benchmarks primär auf die modellübergreifende Evaluation im engen Bereich fotorealistischer Bilder, wodurch die Robustheit über Domänen hinweg unzureichend untersucht bleibt. Diese Arbeit adressiert die Notwendigkeit eines Erkennungsparadigmas, das sowohl rechnerisch effizient als auch robust gegenüber diversen Generatoren und visuellen Domänen ist.

Methodik
Die Autoren schlagen CoDA vor, ein kompaktes Erkennungsframework (1,48 Millionen Parameter), das auf der Beobachtung aufbaut, dass KI-generierte Bilder im Vergleich zu echten Fotografien charakteristische Farbungleichgewichte aufweisen. Die Methodik besteht aus drei Kernkomponenten:

1. Theoretische Basis (Manifold-Divergenz): Die Arbeit postuliert, dass generative Modelle Proxy-Ziele optimieren, die Proben vom niedrigdimensionalen Manifold echter Bilder wegdrängen können. Diese Abweichung ist in chromatischen Richtungen besonders empfindlich, da in generativen Prozessen physikalische Beschränkungen (z. B. Kamera-ISP-Pipelines wie Weißabgleich und Gamma-Korrektur) fehlen. Die theoretische Analyse verknüpft diese Abweichung vom Manifold mit einer Nichtuniformität der Farbverteilung.
2. Noise-Quantization-Probe: Um die Stabilität der Farbverteilung zu quantifizieren, führen die Autoren eine Sonde ein, die kontrollierte stochastische Störungen anwendet. Der Prozess umfasst:
   • Einbringen von Gaußschem Rauschen in das Eingabebild.
   • Anwendung von Farbquantisierung (Runden).
   • Mitteln mehrerer wiederhergestellter Proben.
   • Berechnen der Differenzkarte zwischen dem Original und dem wiederhergestellten Bild.
   • Mechanismus: Echte Fotografien mit glatteren und breiteren Farbverteilungen neigen dazu, Störungsfehler zu liefern, die sich beim Mitteln ausgleichen, was zu kleinen Residuen führt. Im Gegensatz dazu erzeugen synthetische Bilder mit spitzen oder unregelmäßigen Farbverteilungen systematische, strukturierte Residuen.
3. Dual-Branch-Architektur: CoDA verwendet ein leichtgewichtiges Dual-Branch-Netzwerk.
   • Visueller Branch: Verarbeitet das Originalbild, um semantische und texturale Merkmale zu erfassen.
   • Farb-Branch: Verarbeitet die durch die Noise-Quantization-Probe erzeugte Differenzkarte, um verteilungsbezogene Hinweise zu extrahieren.
   • Die Merkmale beider Branches werden verkettet und in einen leichtgewichtigen Klassifikator eingespeist. Dieses Design stellt sicher, dass das Modell nicht ausschließlich auf Farben angewiesen ist, sondern diese als ergänzendes Signal nutzt, um die Robustheit zu erhöhen.

Hauptbeiträge

• FakeForm-Benchmark: Die Autoren stellen FakeForm vor, einen großskaligen Benchmark mit etwa 370.000 Bildern über 62 diverse Domänen (einschließlich CT-Scans, Tiefenkarten, Flussdiagramme und künstlerische Medien). Er unterstützt sowohl modellübergreifende als auch domänenübergreifende Evaluation und umfasst über 760.000 menschliche Wahrnehmungsurteile mit Realismus-Scores und textuellen Begründungen.
• Analyse der Farbverteilung: Die Arbeit identifiziert und analysiert Farbverteilungsartefakte als wiederkehrendes Signal über große Generationsparadigmen hinweg (GANs, Diffusion, Flow-basierte und autoregressive Modelle) und liefert einen theoretischen Zusammenhang zwischen Manifold-Divergenz und Farb-Nichtuniformität.
• CoDA-Detektor: Ein leichter Detektor, der Farbverteilungsirregularitäten durch die Noise-Quantization-Probe in robuste Signale umwandelt und dabei hohe Effizienz ohne Einbußen bei der Generalisierbarkeit erreicht.

Experimentelle Ergebnisse

• Standard-Benchmarks: Auf etablierten Benchmarks (ForenSynths, Ojha, GenImage) erreicht CoDA State-of-the-Art-Leistung und übertrifft oder gleicht führende Methoden wie FatFormer und SAFE aus. Beispielsweise erzielt CoDA auf dem GenImage-Benchmark eine Genauigkeit von 95,9 % und einen AP von 99,1 %.
• Domänenübergreifende Generalisierung (FakeForm): CoDA zeigt überlegene Robustheit in domänenübergreifenden Szenarien. Während State-of-the-Art-Detektoren bei herausfordernden domänenübergreifenden Inhalten oft unter 75 % Genauigkeit fallen, erreicht CoDA eine durchschnittliche Genauigkeit von 77,7 % über 62 Domänen hinweg. Es übertrifft große VLM-basierte Baselines (z. B. AIGI-Holmes) signifikant, die unter Domänenverschiebungen stärker degradieren.
• Effizienz: CoDA verarbeitet Bilder mit 125,2 Bildern pro Sekunde (FPS) bei nur 1,48 Millionen Parametern. Im Gegensatz dazu arbeiten VLM-basierte Systeme wie AIGI-Holmes mit etwa 2,2 FPS bei über 7 Milliarden Parametern.
• Robustheit: Das Modell behält unter gängigen Bildstörungen (Gaußsche Unschärfe, Zuschneiden, JPEG-Komprimierung, Rauschen) eine hohe Leistung bei und zeigt geringere Leistungseinbußen im Vergleich zu Wettbewerbern, insbesondere bei diffusionsgenerierten Bildern.
• Ablationsstudien: Experimente bestätigen die Komplementarität der beiden Branches. Das vollständige Modell übertrifft die Konfigurationen „Nur Bild-Branch" (66,8 % vs. 77,7 % auf FakeForm) und „Nur Farb-Branch", was validiert, dass Farbinformationen wesentliche ergänzende Beweise liefern, insbesondere in farbintensiven Domänen.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass persistente generative Artefakte, insbesondere Farbverteilungs-Nichtuniformität, eine praktische Grundlage für eine effiziente und robuste Erkennung KI-generierter Bilder bieten. Durch die Nutzung der Noise-Quantization-Probe besetzt CoDA einen „Mittelweg" zwischen zerbrechlichen low-level forensischen Methoden und teuren high-level semantischen Modellen. Die Autoren argumentieren, dass ihr Ansatz eine skalierbare Lösung für den realen Einsatz bietet, bei der Detektoren über ein breites Spektrum visueller Inhalte (von Fotografie bis zu technischen Diagrammen) hinweg operieren müssen, ohne den Rechenaufwand großer multimodaler Modelle. Die Arbeit legt nahe, dass Farbinformationen zwar domänenabhängig sind (am besten in fotografischen und künstlerischen Inhalten und weniger in farbarmen oder hochspezialisierten Domänen), jedoch als leistungsstarkes, ergänzendes Signal dienen, das die Generalisierbarkeit in Kombination mit Standard-Bildmerkmalen verbessert.