技术摘要：PGC - 面向泛化性 AI 生成图像检测的峰值引导校准

1. 问题陈述

生成式人工智能的快速发展，从生成对抗网络（GANs）过渡到现代扩散模型，已能生成具有卓越视觉保真度的图像。虽然早期模型留下了全局一致的伪影，但最先进的商业生成器却表现出“语义注意力偏差”。它们优先重建主要语义主体（前景）的高保真度，从而有效地将判别性伪影转移至约束较少的背景区域。

现有的检测方法主要依赖全局表示，这些表示倾向于高能量的语义区域。因此，这些检测器往往聚焦于生成内容最为逼真的主要主体，导致背景中细微的局部伪造痕迹被掩盖。这导致在面对高保真度的商业伪造图像时，特别是在涉及专有后处理流水线的“野外（In-the-Wild）”场景中，性能显著下降。

2. 方法论：峰值引导校准（PGC）

为了解决细微线索被主导的前景内容所抑制的问题，作者提出了**峰值引导校准（PGC）**框架。该方法将范式从单纯依赖全局上下文转变为聚合显著的局部“峰值”特征，以校准全局决策。

2.1 双流特征编码

该框架采用双流架构，以同时捕捉低级不一致性和高级语义伪影：

• 残差流：提取 RGB 颜色空间中的量化残差特征（$I_{res} = I - M^{-1} \cdot \text{Round}(M \cdot I)$），以捕捉低级成像物理违规。这些特征由一个轻量级卷积神经网络（CNN）进行处理。
• RGB 流：利用预训练的视觉 Transformer（ViT，具体为 DINOv2）提取高级语义特征图（$F_{rgb}$）。

2.2 峰值引导校准模块（PGCM）

核心创新是 PGCM，旨在防止局部线索被高保真内容淹没：

1. 图像块划分与评分：将来自两个流的特征图视为局部图像块的网格。特定流的头部将这些图像块投影为评分图（$S_{res}, S_{rgb}$），其中每个评分量化了该区域的取证显著性。
2. 峰值聚合：该模块不采用平均化，而是利用温度缩放的 log-sum-exp 运算（近似最大算子）采用峰值聚焦机制：
   $$Z = \tau \log \left( \frac{1}{N} \sum_{i=1}^{N} \exp(s_i / \tau) \right)$$
   较小的温度 $\tau$ 会锐化分布，迫使模型聚焦于包含最强取证证据的“峰值”图像块。
3. 校准：聚合后的评分被融合（$Z_{local} = Z_{res} + \lambda \cdot Z_{rgb}$）以创建局部偏差。该偏差被加性地注入到由拼接特征得出的全局 logits（$Z_{global}$）中：
   $$y_{pred} = Z_{global} + Z_{local}$$
   该机制允许高置信度的局部信号（指示伪造）覆盖可能因逼真前景而误导的全局决策。

3. 主要贡献

3.1 PGC 框架

作者提出了一种新颖策略，利用局部“峰值图像块”重新校准全局表示。通过明确识别并放大包含最关键判别证据的区域，PGC 恢复了通常在由高保真主体主导的全局上下文中被淹没的细微模式。

3.2 CommGen15 基准

鉴于现有数据集未能捕捉专有商业模型的复杂性，作者引入了CommGen15。

• 构成：一个综合基准，包含来自15 种不同商业模型（例如 Sora、Kling、Google Imagen、Flux、Midjourney）的 33,394 个生成样本（图像和视频帧）。
• 真实性：数据收集自官方公共画廊和社区仓库（例如 PromptHero），而非本地推理，从而保留了平台特定的后处理、压缩和水印。
• 平衡性：包含同等数量的 COCO 2017 真实图像，以形成平衡的二分类任务。

3.3 最先进性能

大量实验表明，PGC 在未见的生成器上实现了卓越的泛化能力，并对扰动具有鲁棒性。

4. 实验结果

4.1 标准基准上的泛化性

• GenImage：PGC 实现了98.3%的平均准确率和 100.0% 的平均 AP，在平均准确率上超越了之前的最佳方法（CoD）+2.1%。
• AIGI：在跨越 25 种模型的大规模数据集上，PGC 实现了86.6%的平均准确率，优于最强的基线（DDA）+3.5%。
• UniversalFakeDetect：PGC 以98.0%的平均 AP 创下新纪录，超越了之前的最佳方法（AIDE）+2.2%。

4.2 在 CommGen15 上的性能

在提出的模拟现实世界威胁的 CommGen15 基准上，观察到了最显著的增益：

• PGC 实现了**97.9%的平均准确率，以+12.3%**的显著优势超越了最近的竞争对手（DDA）。
• 与现有方法表现出严重的性能不平衡（例如，高伪造准确率但接近零的真实准确率，或反之）不同，PGC 在真实和伪造类别上均保持了稳定性。

4.3 鲁棒性与分析

• 扰动：PGC 在各种退化（模糊、噪声、亮度/对比度调整）下表现出卓越的稳定性，即使在基线准确率降至 75% 以下的散粒噪声下，其准确率仍保持在 97% 以上。
• 对抗鲁棒性：在基于迁移的黑盒 PGD 攻击下，PGC 在 $\epsilon=0.3$ 时保持了**98.1%**的准确率，显示出对强对抗扰动的抵抗力。
• 归因分析：SHAP 值分析证实了论文的假设：专注于 AI 生成图像的检测器将注意力转移到背景区域，而真实图像则触发对语义前景的注意力。PGC 成功利用了这些背景的“峰值”伪影。

5. 意义与主张

论文指出，当前 AI 生成图像检测的主要局限性在于依赖全局表示，而这些表示本质上偏向高保真语义主体。这种偏差导致检测器忽略了持续存在于背景中的细微局部伪影。

PGC 的意义在于其峰值引导校准机制，该机制有效地将决策过程与主导的前景内容解耦。通过明确挖掘并放大“峰值”局部证据，该框架弥合了开源训练数据与未见的、高保真商业生成器之间的泛化差距。引入CommGen15被视为更好地模拟“野外”威胁的必要步骤，从而超越仅基于开源模型的数据集的局限性。

作者得出结论，从高保真生成式 AI 时代的鲁棒、泛化性检测的角度来看，从全局表示学习转向峰值敏感伪影挖掘是势在必行的。