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

Resumo Técnico: CoDA: Sondagem de Distribuição de Cores para Detecção Eficiente e Generalizável de Imagens Geradas por IA

Declaração do Problema
A detecção de imagens geradas por IA enfrenta atualmente um compromisso fundamental entre generalização e eficiência. Métodos leves baseados em artefatos frequentemente degradam-se ao encontrar geradores não vistos ou domínios visuais, enquanto modelos robustos de grande escala (por exemplo, Modelos Visão-Linguagem) são computacionalmente caros e podem ainda ter dificuldades com domínios sub-representados, como imagens médicas ou técnicas. Além disso, os benchmarks existentes focam principalmente na avaliação cruzada de modelos dentro do regime restrito de imagens fotorealistas, deixando a robustez cruzada de domínios pouco explorada. Este artigo aborda a necessidade de um paradigma de detecção que seja tanto computacionalmente eficiente quanto robusto através de geradores diversos e domínios visuais.

Metodologia
Os autores propõem o CoDA, um framework de detecção compacto (1,48M de parâmetros) construído sobre a observação de que imagens geradas por IA frequentemente exibem desequilíbrios de cores característicos em comparação com fotografias reais. A metodologia consiste em três componentes principais:

1. Base Teórica (Divergência de Variedade): O artigo postula que modelos generativos otimizam objetivos proxy que podem empurrar amostras para fora da variedade de baixa dimensão de imagens reais. Esse desvio é particularmente sensível em direções cromáticas devido à falta de restrições físicas (por exemplo, pipelines de ISP de câmera como balanço de branco e correção de gamma) nos processos generativos. A análise teórica liga esse desvio fora da variedade à não uniformidade da distribuição de cores.
2. Sonda de Quantização de Ruído: Para quantificar a estabilidade da distribuição de cores, os autores introduzem uma sonda que aplica perturbação estocástica controlada. O processo envolve:
   • Injetar ruído gaussiano na imagem de entrada.
   • Aplicar quantização de cores (arredondamento).
   • Média de múltiplas amostras restauradas.
   • Calcular o mapa de diferença entre a imagem original e a imagem restaurada.
   • Mecanismo: Fotografias reais, com distribuições de cores mais suaves e amplas, tendem a produzir erros de perturbação que se cancelam durante a média, resultando em resíduos pequenos. Por outro lado, imagens sintéticas com distribuições de cores picadas ou irregulares produzem resíduos sistemáticos e estruturados.
3. Arquitetura de Dupla Ramificação: O CoDA emprega uma rede leve de dupla ramificação.
   • Ramo Visual: Processa a imagem original para capturar características semânticas e texturais.
   • Ramo de Cor: Processa o mapa de diferença gerado pela Sonda de Quantização de Ruído para extrair pistas distribucionais.
   • As características de ambos os ramos são concatenadas e alimentadas em um classificador leve. Este design garante que o modelo não dependa exclusivamente da cor, mas a utilize como um sinal complementar para aumentar a robustez.

Principais Contribuições

• Benchmark FakeForm: Os autores introduzem o FakeForm, um benchmark de grande escala compreendendo aproximadamente 370.000 imagens através de 62 domínios diversos (incluindo tomografias computadorizadas, mapas de profundidade, fluxogramas e mídias artísticas). Ele suporta tanto avaliação cruzada de modelos quanto cruzada de domínios e inclui mais de 760.000 julgamentos perceptivos humanos com pontuações de realismo e justificativas textuais.
• Análise de Distribuição de Cores: O artigo identifica e analisa artefatos de distribuição de cores como um sinal recorrente através de principais paradigmas de geração (GANs, Difusão, Baseados em Fluxo e Modelos Autoregressivos), fornecendo um link teórico entre divergência de variedade e não uniformidade de cores.
• Detector CoDA: Um detector leve que transforma irregularidades de distribuição de cores em sinais robustos por meio da Sonda de Quantização de Ruído, alcançando alta eficiência sem sacrificar a generalização.

Resultados Experimentais

• Benchmarks Padrão: Em benchmarks estabelecidos (ForenSynths, Ojha, GenImage), o CoDA alcança desempenho state-of-the-art, superando ou igualando métodos líderes como FatFormer e SAFE. Por exemplo, no benchmark GenImage, o CoDA alcança 95,9% de precisão e 99,1% de AP.
• Generalização Cruzada de Domínios (FakeForm): O CoDA demonstra robustez superior em configurações cruzadas de domínios. Enquanto detectores state-of-the-art frequentemente caem abaixo de 75% de precisão em conteúdo cruzado de domínios desafiador, o CoDA alcança 77,7% de precisão média através de 62 domínios. Ele supera significativamente grandes baselines baseadas em VLM (por exemplo, AIGI-Holmes), que degradam-se mais substancialmente sob deslocamentos de domínio.
• Eficiência: O CoDA processa imagens a 125,2 quadros por segundo (FPS) com apenas 1,48M de parâmetros. Em contraste, sistemas baseados em VLM como o AIGI-Holmes operam a aproximadamente 2,2 FPS com mais de 7B de parâmetros.
• Robustez: O modelo mantém alto desempenho sob perturbações comuns de imagem (desfoque gaussiano, recorte, compressão JPEG, ruído), mostrando quedas menores de desempenho em comparação com concorrentes, particularmente em imagens geradas por difusão.
• Estudos de Ablação: Experimentos confirmam a complementaridade dos dois ramos. O modelo completo supera as configurações "Apenas Ramo de Imagem" (66,8% vs. 77,7% no FakeForm) e "Apenas Ramo de Cor", validando que pistas de cor fornecem evidências complementares essenciais, especialmente em domínios ricos em cores.

Significado e Alegações
O artigo alega que artefatos generativos persistentes, especificamente a não uniformidade da distribuição de cores, fornecem uma base prática para detecção eficiente e robusta de imagens geradas por IA. Ao aproveitar a Sonda de Quantização de Ruído, o CoDA ocupa um "meio-termo" entre métodos forenses de baixo nível frágeis e modelos semânticos de alto nível caros. Os autores argumentam que sua abordagem oferece uma solução escalável para implantação no mundo real, onde detectores devem operar através de um amplo espectro de conteúdo visual (de fotografia a diagramas técnicos) sem a sobrecarga computacional de grandes modelos multimodais. O trabalho sugere que, embora as pistas de cor sejam dependentes de domínio (desempenhando melhor em conteúdo fotográfico e artístico e menos em domínios de baixa cor ou altamente especializados), elas servem como um sinal poderoso e complementar que aumenta a generalização quando fundido com características de imagem padrão.