💻 computer science

Fleet: Few Shots Lead Effective AI-generated Image Detection

Das Paper stellt Fleet vor, ein Framework, das die Erkennung KI-generierter Bilder von statischer Generalisierung hin zu dynamischer Adaption mittels beschränkter Routing-Korrektur verschiebt und dadurch eine signifikant verbesserte Leistung bei neu aufkommenden Generatoren durch Few-Shot-Learning demonstriert sowie diesen Ansatz mit dem umfassenden Treasure-Benchmark validiert.

Ursprüngliche Autoren: Jiaan Wang, Sirui Liu, Yu Li, Kaiyuan Yang, Juan Cao, Sheng Tang

Veröffentlicht 2026-07-01

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jiaan Wang, Sirui Liu, Yu Li, Kaiyuan Yang, Juan Cao, Sheng Tang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Der „statische“ Detektor verliert das Rennen

Stellen Sie sich vor, Sie sind ein Sicherheitswachmann in einem Museum. Ihre Aufgabe ist es, Fälschungen aufzuspüren. Lange Zeit haben Sie gelernt, Fälschungen zu erkennen, indem Sie nach spezifischen, statischen Merkmalen suchten – wie etwa einer bestimmten Art von Pinselstrich oder einer seltsamen Textur, die nur alte Fälscher verwendeten. Das funktionierte großartig, solange die Fälscher vorhersehbar waren.

Doch nun stellen Sie sich vor, die Fälscher besitzen einen Zauberstab. Jede Woche erfinden sie eine völlig neue Art zu malen. Sie ändern ihre Pinsel, ihre Farben und ihre Techniken komplett.

Der alte Sicherheitswachmann (aktuelle KI-Detektoren) steckt fest. Er sucht immer noch nach diesen alten, statischen Pinselstrichen. Wenn eine neue Fälschung eintrifft, die diese alten Merkmale nicht besitzt, wird der Wachmann verwirrt und hält die Fälschung für echt. Das Papier nennt dies die „Static Artifact Hypothesis“ (Hypothese der statischen Artefakte). Sie geht davon aus, dass, wenn man die Regeln heute lernt, diese für immer funktionieren werden. Das Papier argumentiert, dass dies fehlerhaft ist, da sich KI-Generatoren zu schnell entwickeln.

Die Lösung: Treffen Sie „Fleet“

Die Autoren schlagen eine neue Strategie namens Fleet vor. Anstatt ein Wachmann zu sein, der eine feste Liste von Regeln auswendig lernt, ist Fleet wie ein Spezialeinsatzkommando, das sich sofort anpasst.

So funktioniert Fleet, unterteilt in drei einfache Konzepte:

1. Die Denkweise der „Dynamischen Anpassung“

Anstatt zu versuchen, ein einziges „Wundermerkmal“ zu finden, das jedes Fake für immer erkennt, akzeptiert Fleet, dass es im laufenden Betrieb lernen muss.

Die Analogie: Denken Sie an ein Chamäleon. Ein statischer Detektor ist wie ein bemalter Stein; er behält die gleiche Farbe, egal was passiert. Fleet ist wie ein Chamäleon. Wenn ein neuer Typ von Fake-Bild erscheint, passt Fleet seine „Haut“ (seine internen Einstellungen) an, um dem neuen Risiko zu entsprechen, behält dabei aber seine Kernidentität bei.

2. Das „Subspace Routing“ (Das Verkehrssystem)

Fleet nutzt ein cleveres internes Verkehrssystem, um Bilder zu sortieren. Stellen Sie sich eine riesige Autobahn mit vielen verschiedenen Spuren (Subspaces) vor.

Der Aufbau: Während des Trainings baut Fleet spezifische Spuren für „Echte Bilder“ (Nicht-KI) und spezifische Spuren für „Fake-Bilder“ (KI) auf.
Das Problem: Wenn ein neuer Typ von Fake-Bild eintrifft, versucht er möglicherweise versehentlich, in die Spur für „Echte Bilder“ zu fahren, weil er so gut aussieht. Dies verursacht einen Crash (Fehlalarm).
Die Lösung (Avoidance Routing): Fleet hat einen klugen Verkehrspolizisten. Wenn sich ein neues Fake-Bild nähert, sieht der Polizist, dass es versucht, in die „Echte“-Spur einzufahren, und leitet es sofort ab. Er zwingt das Fake-Bild stattdessen in eine „Fälscher“-Spur.
Das Ergebnis: Das System lernt, das neue Fake zu erkennen, ohne versehentlich echte Fotos als Fälschungen zu deklarieren.

3. Die „Few-Shot“-Superkraft

Normalerweise müssen Sie einem Sicherheitswachmann tausende Beispiele zeigen, um ihn eine neue Art der Fälschung beizubringen. Fleet ist unglaublich effizient.

Die Analogie: Wenn Sie Fleet nur 10 Beispiele eines neuen Typs von Fake-Bild zeigen (wie man einem Wachmann 10 Fotos einer neuen Fälschungstechnik zeigt), kann Fleet sein Verkehrssystem sofort neu konfigurieren, um genau diese neue Bedrohung zu erkennen.
Die Behauptung: Das Papier zeigt, dass während andere Methoden gegen neue KI-Modelle völlig versagen (und auf nahezu zufälliges Raten zurückfallen), Fleet seine Genauigkeit mit nur diesen 10 Beispielen von 20 % auf 73 % steigern kann.

Die neue „Schatzkarte“ (Der Benchmark)

Um ihren Punkt zu beweisen, stellten die Autoren fest, dass alte Testkarten veraltet waren. Sie entwickelten einen neuen, massiven Benchmark namens Treasure.

Was es ist: Eine riesige Sammlung von 360.000 Bildern aus 64 verschiedenen KI-Modellen, einschließlich 20 geheimer, geschlossener kommerzieller Engines (die „Black-Box“-Modelle, auf die die Öffentlichkeit keinen einfachen Zugriff hat).
Warum es wichtig ist: Frühere Tests waren wie das Fahren auf einer ruhigen, leeren Straße. Treasure ist wie das Fahren in einer chaotischen, überfüllten Stadt, in der jede Sekunde neue Autos auftauchen. Es zeigt auf, dass die meisten aktuellen Detektoren in diesem realen Chaos zusammenbrechen, während Fleet reibungslos weiterfährt.

Die Ergebnisse: Warum es wichtig ist

Das Papier testete Fleet gegen die besten existierenden Detektoren:

Alte Detektoren: Wenn sie mit den neuesten KI-Generatoren konfrontiert wurden (wie „Nano Banana Pro“ oder „Doubao Seedream 4.0“), scheiterten sie kläglich und erreichten oft weniger als 1 % Genauigkeit.
Fleet: Mit nur einer winzigen Menge an neuen Daten (Few-Shot) passte sich Fleet an und erreichte eine hohe Genauigkeit (über 70–90 %, je nach Test).
Kein Gedächtnisverlust: Entscheidend ist, dass Fleet, während es die neuen Fakes lernte, nicht „vergaß“, wie man die alten erkennt. Es behielt sein Gedächtnis für echte Bilder mit einer Genauigkeit von 99,9 % bei.

Zusammenfassung

Das Papier argumentet, dass die Ära der „Einrichten und Vergessen“-KI-Detektion vorbei ist. Da sich KI-Generatoren zu schnell verändern, benötigen wir ein System, das sich dynamisch entwickeln kann. Fleet ist dieses System: ein intelligenter, anpassungsfähiger Detektor, der aus nur wenigen Beispielen lernt, neue Fakes in den richtigen „Müllcontainer“ umleitet und echte Bilder schützt, ohne zu vergessen, was er bereits weiß.

Technisches Resümee: Fleet: Few-Shot-effektive KI-generierter Bilderkennung

1. Problemstellung

Das Feld der Erkennung KI-generierter Bilder (AIGI) durchläuft derzeit einen kritischen Übergang von Labor-Benchmarks hin zur Verteidigung im offenen Feld (Open-World Adversarial Defense). Bestehende State-of-the-Art (SOTA)-Methoden operieren unter einer „statischen Artefakt-Hypothese“, die davon ausgeht, dass Detektoren intrinsisch invariante Merkmale aus historischen Daten extrahieren können, um eine universelle Zero-Shot-Generalisierung gegenüber ungesehenen, zukünftigen generativen Modellen zu erreichen.

Während diese statischen Methoden auf etablierten Benchmarks wie GenImage eine Sättigung erreichen, zeigt die Arbeit, dass sie bei der Konfrontation mit sich schnell entwickelnden, proprietären kommerziellen Generatoren (z. B. SD3, Nano Banana Pro, Doubao Seedream 4.0) katastrophale Leistungseinbußen erleiden. Die Entscheidungsgrenzen statischer Modelle versagen dabei, neuartige Fälschungsmerkmale von den gesehenen Datenmanifolds abzugrenzen, wodurch die vortrainierten „invarianten“ Merkmale unwirksam werden. Darüber hinaus leiden bestehende Few-Shot-Ansätze häufig unter Prototyp-Drift, Fehlalarmen bei authentischen Proben und katastrophalem Vergessen während der kontinuierlichen Anpassung.

2. Methodik: Das Fleet-Framework

Um diese Einschränkungen zu adressieren, schlagen die Autoren einen Paradigmenwechsel von „statischer Generalisierung“ zu „dynamischer Anpassung“ vor. Sie führen Fleet ein, ein Framework, das für eine kontinuierliche Few-Shot-Evolution konzipiert ist und eine schnelle Ausrichtung an aufkommende generative Bedrohungen ermöglicht.

Kernarchitektur: Mutually Exclusive Subspace Routing

Fleet verwendet eine Dual-Branch-Architektur:

Hochfrequenz-Zweig: Nutzt eine Fast Fourier Transformation (FFT), um Hochfrequenzsignale ( $X_{high}$ ) zu isolieren, die sensitiv gegenüber Generierungsmechanismen, aber agnostisch gegenüber High-Level-Semantik sind. Ein konvolutionaler Encoder ( $E_{freq}$ ) extrahiert ein Routing-Signal ( $r_{freq}$ ).
Prätrainierter Zweig: Verwendet ein eingefrorenes DINOv3-Backbone, das durch Low-Rank Adaptation (LoRA) erweitert wurde, um hochdimensionale Merkmalsrepräsentationen ( $z$ ) zu extrahieren.

Subspace-Mechanismus

Das Framework definiert $C$ lernbare Subspaces. Für jeden Input wird der hochdimensionale Feature $z$ in Folgendes projiziert:

Subspace-Adressen ( $a_i$ ): Werden für Routing-Entscheidungen verwendet.
Subspace-Features ( $s_i$ ): Werden für die Aggregation der Repräsentation verwendet.

Das Routing-Signal $r_{freq}$ fungiert als Gating-Netzwerk, das über Softmax Aufmerksamkeitsgewichte ( $\alpha$ ) berechnet, um zu bestimmen, welche Subspaces aktiviert werden. Der endgültige Output ist eine gewichtete Konkatenation der aktivierten Subspace-Features.

Trainingsstrategie

Der Trainingsprozess besteht aus zwei Phasen:

Phase 1: Mutually Exclusive Routing Pre-training
Das Ziel ist die Konstruktion eines strukturierten Merkmalsraums, in dem KI- und Nicht-KI-Proben distinkte, sich gegenseitig ausschließende Subspaces aktivieren.

Kontrastives Lernen ( $L_{cls}$ ): Gewährleistet eine diskriminative Merkmalsseparation.
Orthogonalitätsbeschränkung ( $L_{orth}$ ): Minimiert das Skalarprodukt zwischen den durchschnittlichen Routing-Gewichten für KI- und Nicht-KI-Proben, wodurch die Subspaces zur Spezialisierung gezwungen werden.
Coverage-Beschränkung ( $L_{cov}$ ): Stellt sicher, dass alle Subspaces effektiv genutzt werden, um Feature-Kollaps zu verhindern.

Phase 2: Few-Shot-Anpassung via Avoidance Routing
Wenn ein neuer Generator auftritt, passt sich Fleet mithilfe eines kleinen Support-Sets (z. B. 10 Shots) an, während es gleichzeitig katastrophales Vergessen verhindert.

Avoidance Routing ( $L_{avoid}$ ): Ein neuartiger Mechanismus, der neue KI-Proben explizit von den durch Nicht-KI-Proben dominierten Subspaces wegsteuert und umgekehrt. Er erzwingt Orthogonalität zwischen der Routing-Verteilung neuer Proben und den festen Ankern der entgegengesetzten Klasse. Dies implementtiert eine „Shunt-and-Isolate“-Strategie, die Updates innerhalb des diskriminativen Fälschungssubspaces konzentriert, ohne die authentischen Repräsentationen zu stören.
Anti-Forgetting Distillation ( $L_{distill}$ ): Verwendet einen Replay-Datensatz früherer Daten, um die geometrische Konfiguration der Merkmale aus früheren Modellen beizubehalten und so das Wissen zu bewahren.

3. Wesentliche Beiträge

1. Neues Paradigma: Dynamische Anpassung

Die Arbeit stellt die statische Artefakt-Hypothese in Frage und argumentiert, dass das strikte Festhalten an einem fixen Merkmalsraum für die Verteidigung im offenen Feld nicht länger praktikabel ist. Sie schlägt kontinuierliche Few-Shot-Evolution als notwendiges Paradigma vor, um die Detektionswirksamkeit gegenüber „Zero-Day“-Bedrohungen aufrechtzuerhalten.

2. Neue Methode: Fleet

Fleet wird als Subspace-Routing-Framework eingeführt, das Avoidance Routing nutzt. Im Gegensatz zu Standard-Few-Shot-Methoden, die driften oder Wissen überschreiben könnten, nutzt Fleet eine beschränkte Routing-Korrektur, um sich effizient an neuartige Fälschungen anzupassen und gleichzeitig stabile Nicht-KI-Repräsentationen mit minimalem Drift beizubehalten.

3. Neuer Benchmark: Treasure

Um diese Ansprüche rigoros zu evaluieren, haben die Autoren Treasure konstruiert, einen Frontier-Benchmark, der die Lücke zwischen bestehenden Datensätzen und der Explosion heterogener kommerzieller Engines adressiert.

Skalierung: 360.000 Bilder aus 64 verschiedenen generativen Modellen.
Diversität: Beinhaltet 20 geschlossene kommerzielle Engines (z. B. Midjourney v7, Imagen 4, Doubao Seedream 4.0) und deckt diverse Architekturen, Semantiken und künstlerische Stile ab.
Annotation: Verfügt über multidimensionale Annotationen einschließlich Authentizität, Kategorie und künstlerischem Stil (Fotorealismus, 2D, 3D, traditionelle Kunst).

4. Experimentelle Ergebnisse

Performance auf Treasure und AIGIBench

Experimente zeigen, dass statische SOTA-Methoden bei modernen Generatoren katastrophal versagen. Beispielsweise sinkt die Genauigkeit statischer Detektoren beim Modell „Doubao Seedream 4.0“ auf nahezu zufälliges Niveau.

Leistung von Fleet: Mit nur 10-Shot-Anpassung stellt Fleet die Leistung auf Doubao Seedream 4.0 von 20,4 % auf 73,1 % wieder her.
Vergleich: Auf dem Treasure-Benchmark erreicht die 1-Shot-Genauigkeit von Fleet (76,08 %) fast die Zero-Shot-Leistung des besten Baselines (PLM bei 76,56 %) und übertrifft die dedizierte Few-Shot-Baseline FSD (68,28 % bei 10-Shot) signifikant.
Anti-Forgetting: Während die Baseline FSD unter schwerem katastrophalem Vergessen leidet (die Validierungsgenauigkeit sinkt auf ~74 %), behält Fleet eine nahezu perfekte Gedächtnisretention (>99,9 %) auf den Pre-training-Verteilungen bei.

Robustheit und Ablationsstudien

Robustheit: Fleet bewahrt eine außergewöhnliche Stabilität unter Post-Processing-Perturbationen (JPEG-Kompression, Gaußscher Weichzeichner), bei denen andere Methoden signifikant degradieren.
Ablationsstudien: Das Entfernen des Avoidance-Loss ( $L_{avoid}$ ) führt zu einem Genauigkeitsabfall von 4,01 %, was seine entscheidende Rolle bei der Verhinderung fehlerhafter Subspace-Updates bestätigt. Die Methode ist robust gegenüber Variationen des LoRA-Rangs, wobei ein Rang von 8 die optimalen Kompromisse liefert.

5. Bedeutung und Ansprüche

Die Arbeit behaupten, dass Fleet ein praktisches und effizientes Paradigma zur Sicherung digitaler Medien gegen die schnelle Evolution von Synthesetechnologien etabliert. Durch die Verschiebung des Kernziels von der Entdeckung statischer Invarianten hin zur Konstruktion eines formbaren Entscheidungsraums ermöglicht Fleet eine präzise Anpassung an neuartige Artefakte.

Die Autoren betonen, dass ihre Arbeit eine kritische Evaluierungslücke im Feld schließt. Durch die Einführung des Treasure-Benchmarks und des Paradigmas der dynamischen Anpassung stellen sie der Community die Werkzeuge zur Verfügung, die notwendig sind, um Detektoren in Open-World-Szenarien rigoros zu testen. Die Arbeit legt nahe, dass die Zukunft der AIGI-Erkennung nicht im Finden eines universellen „Silver Bullet“-Merkmals liegt, sondern im Aufbau forensischer Systeme, die in der Lage sind, sich durch beschränktes Few-Shot-Lernen parallel zum Adversary zu entwickeln.

Eingeständliche Limitationen:
Die Arbeit merkt bescheiden an, dass sich die aktuelle Forschung ausschließlich auf die Vollbild-Generierung konzentriert und die Generalisierbarkeit auf lokalisierte Bearbeitung oder Face-Swapping weiterer Untersuchungen bedarf. Zudem verursacht die Abhängigkeit von einem Replay-Set Speicher-Overhead, was darauf hindeutet, dass Replay-freie Mechanismen weiterhin ein Ziel für zukünftige Forschung darstellen. Das aktuelle Paradigma ist für die einstufige Few-Shot-Anpassung konzipiert, wobei das kontinuierliche Few-Shot-Lernen als kritischer Schritt für den zukünftigen praktischen Einsatz identifiziert wurde.