Test-Time Curriculum for Open-Set AIGC Detection
本文提出了测试时课程（Test-Time Curriculum, TTC），这是一个与模型无关的框架，通过基于课程的学习自训练过程和跨尺度证据聚合，在不可见的生成器偏移下增强开集 AIGC 检测，并在一个新的综合基准 AIGCGuard 上进行了验证。
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
想象一下，你是一名在规模宏大、瞬息万变的艺术博物馆里工作的保安。你的工作很简单：识破伪造品。但转折在于——造假者不仅仅是一个手艺拙劣的画匠，而是一群每天都在升级技能的 AI 机器人军团。昨天的伪造画作可能还有些模糊，但今天的作品已经如此完美，甚至能瞒过人类专家。问题在于，你的训练仅针对那些旧的、模糊的伪造品。当一个新的、超级聪明的机器人造假者出现时，你旧有的训练就失效了，你开始让伪造品溜过去。这就是“AIGC 检测”——即识别 AI 生成图像的科学——所面临的日常斗争。长期以来，科学家们一直试图构建一个能够从一开始就识破“任何”伪造品的“超级保安”。但你即将读到的这篇论文表明，那是一种错误的方法。与其试图成为一个预先掌握一切的天才，不如让你的保安能够“在岗学习”。如果，每当一个新的造假者到来时，保安都能迅速研究新的伪造艺术，摸清新的套路，并在不需要人类老师递给他们新教科书的情况下更新自己的规则，情况会怎样？
这正是这篇题为《面向开集 AIGC 检测的测试时课程学习》（Test-Time Curriculum for Open-Set AIGC Detection）的研究人员所解决的问题。他们提出了一种巧妙的新系统，称为 TTC（测试时课程）。不要把 TTC 看作一本死板的规则手册，而要把它看作一个聪明的、自我教学的导师，它能帮助检测器在新的 AI 生成器出现的那一刻进行适应。其核心思想是，与其试图从每一个新图像中同时学习（因为这很危险，检测器可能会被错误的判断搞混），该系统会从最简单、最明显的案例开始。它从这些案例中学习，积累信心，然后慢慢转向更难、更难以察觉的伪造品。这就像玩电子游戏，你不会直接跳到最终 Boss 战；你会先打完简单的关卡来准备好装备，然后再挑战困难的任务。
该论文介绍了一种使这种学习既安全又有效的方法。首先，它使用了一种“跨尺度伪标签细化”（Cross-Scale Pseudo-Label Refinement）技术。想象一下你在观察一幅画：有时你可以通过放大观察微小的笔触来识破伪造，有时则需要退后一步观察整体构图。TTC 同时从多个尺寸观察图像，结合这些线索，从而对图像是真还是假做出更聪明的判断。然后，它使用一种“课程”方法。它挑选出检测器最有把握的图像（即“可靠”的图像），并利用这些图像来教导检测器。至关重要的是，它平衡了这种学习过程，使得检测器不会仅仅学会识别伪造品而忘记如何识别真实照片，反之亦然。随着检测器变得越来越强，课程也会变得越来越难，向它喂入那些处于模糊地带、容易引起困惑的图像，从而帮助它磨练技巧。
为了证明其有效性，团队不仅在旧数据上进行了测试，还建立了一个全新的、庞大的“游乐场”——AIGCGuard。这个基准测试包含 3,100 张真实图像和高达 124,000 张由 40 种目前最先进的 AI 模型生成的图像，其中包括开源模型和秘密的专有模型。当他们在这一极具挑战性的新领域测试 TTC 方法并与现有检测器对比时，结果令人印象深刻。平均而言，该方法显著提升了检测准确率，经常能将原本在面对新 AI 模型时表现糟糕的检测器转化为冠军。例如，在一个极具挑战性的基准测试中，该方法将准确率从摇摇欲坠的 82.9% 推升到了接近完美的 99.1%。
论文指出，这种“即时学习”的方法是一个游戏规则的改变者。它认为，那种“训练一次模型并希望其永久有效”的旧方法，在 AI 生成器不断进化面前注定会失败。通过使用这种基于课程的自我训练，检测器可以在不需要人类每次在新的 AI 模型发布时都对其进行从头开始的重新训练的情况下，始终保持领先地位。作者展示了这种方法具有鲁棒性，即使在图像被压缩或缩放时也能表现良好，并且适用于不同类型的检测器“大脑”。虽然论文指出这目前是一个“离线”过程（这意味着它是一次性处理一批图像，而不是实时流式处理），但它为这样一个未来奠定了基础：在那里的数字安全保安可以学习、适应，并在规则不断被机器重写的世界中保持敏锐。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。