💻 computer science

IncreFA: Breaking the Static Wall of Generative Model Attribution

本文提出了 IncreFA 框架，通过将图像归因重构为结构化增量学习问题，利用层级约束和潜在记忆库机制，有效解决了生成模型快速迭代导致的静态归因方法失效难题，并在涵盖 28 个模型的基准测试中实现了最先进的归因精度与未见过模型检测能力。

原作者： Haotian Qin, Dongliang Chang, Yueying Gao, Lei Chen, Zhanyu Ma

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Haotian Qin, Dongliang Chang, Yueying Gao, Lei Chen, Zhanyu Ma

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一个名为 IncreFA 的新系统，它的核心任务是解决一个日益紧迫的问题：如何快速、准确地识别一张图片到底是由哪个 AI 模型生成的？

为了让你更容易理解，我们可以把现在的 AI 生成世界想象成一个不断扩张的“造假者联盟”。

1. 背景：为什么我们需要 IncreFA？

想象一下，以前只有几个“造假大师”（比如早期的 GAN 模型），警察（检测系统）只要记住这几个人的脸，就能认出他们。

但现在情况变了：

造假者层出不穷：每个月都有新的 AI 模型（如 Midjourney v6, Stable Diffusion v3, Flux 等）横空出世。
旧方法失效：传统的检测系统就像一本静态的“通缉令”。一旦新的造假者出现，这本通缉令就过时了。警察要么得把旧通缉令撕了重写（导致忘记以前的造假者），要么根本认不出新面孔。
家族相似性：很多新模型是旧模型的“亲戚”（比如 SD 1.5 和 SD 2.0 是亲兄弟）。它们长得太像了，普通的警察很容易搞混，把亲兄弟当成陌生人，或者把陌生人当成亲兄弟。

IncreFA 的出现，就是为了解决这个“静态墙”的问题。 它不再是一本死板的通缉令，而是一个拥有超级记忆和敏锐直觉的“老练侦探”。

2. IncreFA 是怎么工作的？（两大核心绝招）

IncreFA 不像传统方法那样死记硬背，它用了两个聪明的策略：

绝招一：家族谱系图（Hierarchical Constraints）

传统做法：把每个 AI 模型都当成一个完全独立的陌生人，强行把它们区分开。这就像让警察把“张三”和“张四”当成毫无关系的两个人，结果发现他们长得太像，警察就晕了。
IncreFA 的做法：它建立了一张**“家族谱系图”**。
- 它知道：Midjourney 是一个大家族，Stable Diffusion 是另一个大家族。
- 它给每个家族分配一个专属的“家族徽章”（正交先验）。
- 效果：当新模型出现时，IncreFA 先问：“你是哪个家族的？”（比如：你是 Diffusion 家族的）。然后在这个家族内部，再仔细分辨你是“大哥”还是“小弟”。
- 比喻：这就像警察不再死记硬背每个人的脸，而是先认出“这是李家的”，再认出“这是李家的二儿子”。这样既不会把李家的人认错，也不会把李家的人和王家的人搞混。

绝招二：记忆胶囊库（Latent Memory Bank）

传统做法：为了记住以前的造假者，警察需要把以前所有的“案发现场照片”（原始图片）都存下来。这太占地方了，而且照片太多，警察看不过来。
IncreFA 的做法：它不存照片，只存**“记忆胶囊”**（Latent Exemplars）。
- 它把图片压缩成最核心的“指纹特征”（就像把一张复杂的画像浓缩成几个关键的线条）。
- 模拟新敌人：它还会把这些“记忆胶囊”随机混合，凭空捏造一些“从未见过的假想敌”（Pseudo-unseen samples）。
- 效果：这就像警察在训练时，不仅复习旧案子，还故意制造一些“看起来像新案子但其实是旧案子”的模拟场景，或者“看起来像旧案子但其实是新案子”的陷阱。这训练了警察的直觉，让他能敏锐地感觉到：“等等，这个案子虽然有点像以前的，但感觉有点不对劲，可能是个新面孔！”
- 比喻：这就像厨师不仅记得老菜谱，还通过混合老食材，想象出“如果有个新菜会是什么样”，从而练就了尝出“新味道”的舌头。

3. 它厉害在哪里？

论文在 IABench（一个包含 2022 到 2025 年 28 种最新 AI 模型的测试集）上进行了测试，结果非常惊人：

过目不忘：当新模型出现时，IncreFA 能迅速学会识别它，同时完全不会忘记以前学过的旧模型。就像侦探一边抓新犯人，一边还能准确认出十年前的老犯人。
火眼金睛：面对一个从未见过的新 AI 模型（比如论文发布时还没公开的 Nano-banana），IncreFA 能准确地说出：“这个我不认识，它是个新来的！”（未见过检测准确率高达 98.93%）。
家族分得清：它能精准区分同一个家族下的不同版本（比如 SD 1.4 和 SD 1.5），这是以前很多方法做不到的。

4. 总结

IncreFA 就像是给 AI 图像鉴定领域装上了一个**“动态进化的大脑”**。

以前：每来一个新 AI，鉴定系统就得推倒重来，或者变得很笨。
现在：IncreFA 像是一个不断成长的侦探，它利用“家族谱系”理清关系，利用“记忆胶囊”保持警惕。无论 AI 技术怎么飞速发展，它都能实时适应，既记得住老面孔，也认得出新面孔，甚至能一眼看出“这是个我不认识的新家伙”。

这项技术对于版权保护（知道图是谁画的）、打击造假（识别 Deepfake）以及维护网络信任具有非常重要的意义。它让 AI 的“出生证明”追踪，从静态的档案变成了动态的实时监控系统。

这是一份关于论文 IncreFA: Breaking the Static Wall of Generative Model Attribution 的详细技术总结。

1. 研究背景与问题定义 (Problem)

核心挑战：
随着 AI 生成模型（如扩散模型、对抗生成网络、自回归模型）以惊人的速度迭代更新（几乎每月都有新模型发布），现有的图像溯源（Attribution）方法面临“移动靶”困境。

静态局限性： 传统的溯源方法（基于水印、分类器或反演）通常假设生成器集合是固定的（Closed-set）。一旦新模型出现，旧模型就会失效，或者需要重新训练整个系统，导致灾难性遗忘（Catastrophic Forgetting）。
现有增量学习的不足： 传统的类增量学习（Class-Incremental Learning, CIL）方法假设类别是独立且可分的。然而，生成模型之间存在层级继承关系（例如 Stable Diffusion 的不同版本共享大量统计特征），导致特征分布重叠，简单的回放（Replay）机制难以区分新旧模型，容易产生负迁移。
开放集检测缺失： 大多数方法缺乏对“未见模型”（Unseen Generators）的有效检测能力，难以在识别已知模型的同时准确拒识未知模型。

任务重定义：
作者将图像溯源重新定义为结构化增量学习问题（Structured Incremental Learning）。目标是在不断引入新生成模型的同时，保留对旧模型的识别能力，并具备检测未见模型的能力。

2. 方法论 (Methodology)

作者提出了 IncreFA 框架，该框架包含两个核心互补机制，旨在解决层级结构感知和持续适应的问题。

2.1 核心组件

分层约束 (Hierarchical Constraints)
- 设计理念： 利用生成模型固有的层级血缘关系（如：GAN 家族、扩散模型家族、自回归家族）。
- 实现机制：
  - 细粒度正交性 (Fine-Grained Orthogonality)： 为每个具体模型学习一个可学习的正交锚点（Orthogonal Anchor），强制同一家族内的不同模型在潜在空间中保持角度分离。
  - 粗粒度正则化 (Coarse-Level Regularisation)： 为每个家族（Family）学习一个共享的锚点，捕捉家族层面的不变性（Invariants）。
- 数学形式： 通过正交先验（Orthogonal Priors）将潜在空间分解为互斥的子空间（ $Z = \bigoplus P_k$ ），既保证了家族间的正交性，又促进了家族内的知识共享。
潜在记忆库 (Latent Memory Bank)
- 设计理念： 为了节省存储并防止数据泄露，不存储原始图像，而是存储预训练编码器提取的紧凑潜在特征（Latent Features）。
- 功能：
  - 持续回放 (Continual Replay)： 在训练新任务时，从记忆库中回放旧任务的特征，防止遗忘。
  - 未见样本模拟 (Unseen Simulation)： 通过**随机混合（Random Mixing）**不同类别的潜在特征（ $z_u = \beta z_1 + (1-\beta)z_2$ ），生成伪未见样本。这些样本位于决策边界的低密度区域，用于训练模型识别“未知”，增强开放集感知能力。

2.2 整体流程

特征提取： 使用冻结的预训练编码器（如 CLIP ViT-B/16）提取视觉特征。
投影与分类： 通过轻量级投影头将特征映射到结构化潜在空间，并进行分类。
联合优化： 总损失函数包含四个部分：
- $L_{cls}$ ：当前任务的分类损失。
- $L_1, L_2$ ：分层约束损失（细粒度正交 + 粗粒度家族对齐）。
- $L_{replay}$ ：基于记忆库的回放损失。
- $L_u$ ：开放集校准损失（惩罚对伪未见样本的过度自信）。

3. 关键贡献 (Key Contributions)

范式转变： 首次将图像溯源明确定义为结构化增量学习问题，打破了传统静态闭集假设，使溯源系统能随生成模型生态共同进化。
分层约束机制： 提出了利用生成模型架构血缘关系的正交先验设计，有效解决了生成模型间特征分布重叠导致的负迁移问题。
潜在记忆与混合策略： 设计了基于潜在特征的记忆库和混合策略，在极低存储成本下实现了高效回放和开放集边界模拟。
IABench 基准测试： 构建了包含 28 个生成模型（2022-2025 年发布）的增量溯源基准 IABench，涵盖了 GAN、扩散和自回归三大类，填补了该领域缺乏系统性增量评估基准的空白。

4. 实验结果 (Results)

实验在 IABench 上进行，采用时间顺序的开放集协议（最新模型作为未见模型）。

增量溯源性能 (EP1)：
- 在 8 个增量任务步骤后，IncreFA 的平均溯源准确率保持在 78.80%，显著优于第二名（MOS, 75.68%）。
- 即使在任务序列后期，IncreFA 仍能保持稳定的性能，而传统增量方法（如 ICaRL, L2P）出现严重退化。
未见模型检测 (Unseen Detection)：
- 在开放集协议下，IncreFA 的未见模型检测准确率高达 98.93%，远超其他方法（第二名 MOS 为 94.21%）。
静态溯源性能 (EP2)：
- 在闭集静态评估中，IncreFA 取得了 95.93% 的平均溯源准确率，证明了其分层表征不仅利于增量学习，也提升了静态判别能力。
消融实验：
- 验证了分层约束（ $L_1, L_2$ ）对维持结构稳定性的关键作用。
- 验证了潜在记忆库（ $L_{replay}$ ）和开放集校准（ $L_u$ ）对防止遗忘和提升泛化性的必要性。

5. 意义与影响 (Significance)

应对快速演进的 AI 生态： IncreFA 提供了一种可持续的解决方案，使得溯源系统无需每次新模型发布就从头训练，降低了维护成本。
提升数字媒体信任度： 通过高精度的溯源和强大的未见模型检测能力，有助于识别版权侵权、内容伪造和未经授权的图像使用，维护数字媒体的公信力。
方法论启示： 该工作展示了如何将领域知识（生成模型的层级结构）深度融入增量学习框架，为处理具有复杂依赖关系的增量任务提供了新的思路。
开源贡献： 论文发布了 IABench 基准和代码，推动了生成模型溯源领域的标准化研究。

总结： IncreFA 通过引入分层结构感知和潜在空间回放机制，成功打破了生成模型溯源的“静态墙”，实现了在动态、开放环境下的持续、精准溯源。