💻 computer science

Fleet: Few Shots Lead Effective AI-generated Image Detection

本文介绍了 Fleet，这是一个通过约束路由修正将 AI 生成图像检测从静态泛化转向动态自适应的框架，该框架通过少样本学习显著提升了在新型生成器上的性能，并通过全面的 Treasure 基准测试验证了这一方法。

原作者： Jiaan Wang, Sirui Liu, Yu Li, Kaiyuan Yang, Juan Cao, Sheng Tang

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Jiaan Wang, Sirui Liu, Yu Li, Kaiyuan Yang, Juan Cao, Sheng Tang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 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

核心问题：“静态”检测器正在输掉这场比赛

想象你是一名博物馆的保安。你的工作是识别伪造的画作。很长一段时间，你通过寻找特定的、静态的线索来识别伪造品——比如某种特定的笔触或只有旧式伪造者才会使用的奇怪纹理。当伪造者可以被预测时，这种方法效果很好。

但现在，想象一下伪造者拥有了一根魔杖。每周他们都会发明一种全新的方式来绘画。他们更换了画笔、颜料和技术，完全改变了风格。

旧的保安（当前的 AI 检测器）陷入了困境。他们仍在寻找那些旧的、静态的笔触。当一件不具备这些旧线索的新伪造品出现时，保安就会感到困惑，并误以为伪造品是真的。论文中将此称为**“静态伪影假设”（Static Artifact Hypothesis）**。该假设认为，如果你今天学会了规则，这些规则将永远有效。论文指出，由于 AI 生成技术进化得太快，这一假设已经失效了。

解决方案：遇见“Fleet”

作者提出了一种名为 Fleet 的新策略。Fleet 不再是一个死记硬背固定规则清单的保安，而是一个能瞬间适应的特种部队。

以下是 Fleet 的工作原理，分为三个简单的概念：

1. “动态适应”的心态

Fleet 不再试图寻找一个能永久检测所有伪造品的“万能钥匙”特征，而是接受了需要“边学边做”的事实。

类比： 想象一只变色龙。静态检测器就像一块涂了色的石头；无论环境如何变化，它都保持不变。Fleet 则像一只变色龙。当一种新型伪造图像出现时，Fleet 会改变它的“皮肤”（其内部设置）来匹配新的威胁，但同时保持其核心身份不变。

2. “子空间路由”（交通系统）

Fleet 使用了一个聪明的内部交通系统来对图像进行分类。想象一条拥有许多不同车道（子空间）的巨大高速公路。

设定： 在训练期间，Fleet 为“真实图像”（非 AI）建立了特定的车道，并为“伪造图像”（AI）建立了特定的车道。
问题： 当一种新型的伪造图像到达时，它可能会因为看起来非常逼真，而不小心试图驶入“真实图像”的车道。这会导致碰撞（误报）。
修复方案（规避路由）： Fleet 有一名聪明的交通警察。当一个新的伪造图像靠近时，警察看到它试图进入“真实”车道，会立即将其强制转向。它迫使伪造图像进入“伪造”车道。
结果： 系统学会了识别新的伪造品，而不会误将真实的图片标记为伪造。

3. “少样本”（Few-Shot）超能力

通常，要教一个保安识别一种新型伪造手段，你需要向他展示成千上万个例子。Fleet 则极其高效。

类比： 如果你只给 Fleet 展示 10 个 新型伪造图像的例子（比如给保安看 10 张展示新伪造技术的照片），Fleet 就能瞬间重新配置其交通系统，以识别这种特定的新威胁。
声明： 论文显示，虽然其他方法在面对新的 AI 模型时会完全失效（准确率降至接近随机猜测），但 Fleet 仅靠这 10 个例子就能将准确率从 20% 恢复到 73%。

新的“藏宝图”（基准测试）

为了证明他们的观点，作者意识到旧的测试地图已经过时了。他们构建了一个新的、庞大的基准测试集，名为 Treasure。

它是什么： 一个包含来自 64 种不同 AI 模型的 360,000 张图像的巨型集合，其中包括 20 个秘密的、闭源的商业引擎（即公众无法轻易获取的“黑盒”模型）。
为什么重要： 之前的测试就像是在一条安静、空旷的路上行驶。Treasure 则像是驾驶在一条混乱、拥挤的城市街道中，每秒钟都有新车出现。它揭示了大多数当前的检测器在面对这种现实世界的混乱时会崩溃，而 Fleet 却能平稳行驶。

实验结果：为什么这很重要

论文将 Fleet 与现有的最佳检测器进行了对比测试：

旧检测器： 当面对最新的 AI 生成器（如“Nano Banana Pro”或“Dou胞 Seedream 4.0”）时，它们表现得非常糟糕，准确率往往低于 1%。
Fleet： 仅需一点点新数据（少样本），Fleet 就能完成适应并实现高准确率（根据测试不同，可达 70%-90% 以上）。
无记忆丢失： 至关重要的是，在学习新伪造品的同时，Fleet 并不会“忘记”如何识别旧的伪造品。它对真实图像的记忆保持完美（在旧数据上准确率达 99.9%）。

总结

这篇论文认为，“设定好就不用管了”的 AI 检测时代已经结束。由于 AI 生成技术变化太快，我们需要一个能够动态进化的系统。Fleet 就是这样一个系统：它是一个智能、具有适应能力的检测器，能够通过极少数的例子进行学习，将新的伪造品重定向到正确的“垃圾桶”中，并在保护真实图像的同时，不会忘记已掌握的知识。

技术摘要：Fleet：通过少样本学习实现有效的 AI 生成图像检测

1. 问题陈述

AI 生成图像（AIGI）检测领域目前正经历着从实验室基准测试向开放世界对抗防御的关键转型。现有的最先进（SOTA）方法运行在**“静态伪影假设”**之下，即假设检测器可以从历史数据中提取本质不变的特征，从而实现对未见的、未来的生成模型的通用零样本泛化。

虽然这些静态方法在 GenImage 等既定基准测试上达到了饱和性能，但本文表明，面对快速演进的闭源商业生成器（如 SD3、Nano Banana Pro、豆包 Seedream 4.0）时，它们会遭遇灾难性的性能下降。静态模型的决策边界无法将新型伪造特征与已见数据流形有效分离，导致预训练的“不变”特征失效。此外，现有的少样本学习方法通常受到原型漂移（prototype drift）、对真实样本产生误报以及在持续适应过程中发生灾难性遗忘的问题困扰。

2. 方法论：Fleet 框架

为了解决这些局限性，作者提出了从“静态泛化”向**“动态适应”**的范式转变。他们引入了 Fleet，一个旨在进行持续少样本演化的框架，能够实现对新兴生成威胁的快速对齐。

核心架构：互斥子空间路由

Fleet 采用双支路架构：

高频分支： 利用快速傅里叶变换（FFT）隔离高频信号（ $X_{high}$ ），这些信号对生成机制敏感，但对高层语义具有不可知性。卷积编码器（ $E_{freq}$ ）用于提取路由信号（ $r_{freq}$ ）。
预训练分支： 使用经过低秩自适应（LoRA）增强的冻结 DINOv3 骨干网络来提取高维特征表示（ $z$ ）。

子空间机制

该框架定义了 $C$ 个可学习的子空间。对于每个输入，高维特征 $z$ 被投影到：

子空间地址（ $a_i$ ）： 用于路由决策。
子空间特征（ $s_i$ ）： 用于表示聚合。

路由信号 $r_{freq}$ 作为门控网络，通过 Softmax 计算注意力权重（ $\alpha$ ），以确定激活哪些子空间。最终输出是激活子空间特征的加权拼接。

训练策略

训练过程包含两个阶段：

阶段 1：互斥路由预训练
目标是构建一个结构化的特征空间，使 AI 样本和非 AI 样本激活不同的、互斥的子空间。

对比学习（ $L_{cls}$ ）： 确保判别性的特征分离。
正交约束（ $L_{orth}$ ）： 最小化 AI 样本与非 AI 样本平均路由权重之间的点积，迫使子空间实现专业化。
覆盖约束（ $L_{cov}$ ）： 确保所有子空间都被有效利用，以防止特征坍缩。

阶段 2：通过回避路由进行少样本适应
当遇到新的生成器时，Fleet 利用小型支持集（例如 10-shot）进行适应，同时防止灾难性遗忘。

回避路由（ $L_{avoid}$ ）： 一种新型机制，通过显式地引导新的 AI 样本远离由非 AI 主导的子空间，反之亦然。它强制要求新样本的路由分布与相反类别的固定锚点之间保持正交。这实现了一种“分流与隔离（Shunt-and-Isolate）”策略，将更新集中在具有判别性的伪造子空间内，而不干扰真实表示。
抗遗忘蒸馏（ $L_{distill}$ ）： 使用先前数据的重放集（replay set）来维持早期模型特征的几何配置，确保历史知识的保留。

3. 核心贡献

1. 新范式：动态适应

本文挑战了静态伪影假设，认为严格遵循固定的特征空间对于开放世界防御已不再可行。它提出了持续少样本演化作为维持检测效能的必要范式，以应对“零日（Zero-Day）”威胁。

2. 新方法：Fleet

引入了 Fleet，这是一个利用回避路由的子空间路由框架。与可能发生漂移或覆盖知识的标准少样本方法不同，Fleet 通过受限的路由修正，在高效适应新型伪造的同时，保持了稳定的非 AI 表示，并实现了极小的漂移。

3. 新基准：Treasure

为了严谨地评估这些主张，作者构建了 Treasure，这是一个针对现有数据集与异构商业引擎爆发式增长之间滞后现象的前沿基准。

规模： 包含来自 64 种不同生成模型的 360,000 张图像。
多样性： 包括 20 种闭源商业引擎（如 Midjourney v7、Imagen 4、豆包 Seedream 4.0），涵盖了多样的架构、语义和艺术风格。
标注： 具有多维度标注，包括真实性、类别和艺术风格（写实、2D、3D、传统艺术）。

4. 实验结果

在 Treasure 和 AIGIBench 上的表现

实验表明，静态 SOTA 方法在现代生成器上表现出灾难性的失败。例如，在“豆包 Seedream 4.0”模型上，静态检测器的准确率降至接近随机水平。

Fleet 的表现： 仅通过 10-shot 适应，Fleet 将豆包 Seedream 4.0 上的性能从 20.4% 恢复到了 73.1%。
对比： 在 Treasure 基准测试中，Fleet 的 1-shot 准确率（76.08%）接近最佳基线（PLM 为 76.56%）的零样本性能，并显著优于专门的少样本基线 FSD（10-shot 时为 68.28%）。
抗遗忘性： 当基线 FSD 遭受严重的灾难性遗忘时（验证准确率降至约 74%），Fleet 在预训练分布上保持了近乎完美的记忆保留（>99.9%）。

鲁棒性与消融实验

鲁棒性： 在其他方法性能大幅下降的后处理扰动（JPEG 压缩、高斯模糊）下，Fleet 保持了卓越的稳定性。
消融研究： 移除回避损失（ $L_{avoid}$ ）会导致 4.01% 的准确率下降，证实了其在防止错误子空间更新方面的关键作用。该方法对 LoRA 秩的变化具有鲁棒性，其中 rank=8 实现了最佳权衡。

5. 意义与主张

本文声称，Fleet 为保护数字媒体免受快速演进的合成技术影响建立了一个实用且高效的范式。通过将核心目标从发现静态不变性转向构建可塑的决策空间，Fleet 能够精确适应新型伪影。

作者强调，其工作填补了该领域关键的评估盲点。通过引入 Treasure 基准和动态适应范式，他们为社区提供了在开放世界场景下严谨压力测试检测器的工具。这项工作表明，AIGI 检测的未来不在于寻找一个通用的“银弹”特征，而在于构建能够通过受限的少样本学习与对手共同演化的取证系统。

局限性说明：
论文谦虚地指出，目前的研究仅专注于全图生成，其在局部编辑或换脸任务上的泛化性仍需进一步研究。此外，对重放集的依赖带来了存储开销，这表明无需重放的机制仍是未来研究的目标。目前的范式是为单步少样本适应设计的，持续少样本学习被确定为未来实际部署的关键步骤。