使用联合不确定性测量和粒子群优化拒绝机制检测AI生成的图像
Rahul Yumlembam1, Biju Issac2, Nauman Aslam1
1School of Computer Science, Northumbria University, Newcastle upon Tyne, NE1 8ST, UK.
Scientific reports
|November 23, 2025
概括
一个新的AI图像检测框架使用联合不确定性措施来有效地区分人工智能生成的图像和真实的图像. 这种方法可以过出大多数错误分类的AI样本,即使在分布转移和对抗性攻击下.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人工智能生成的摄影现实性图像对检测具有重大挑战.
- 现有的方法与分布转移和对抗性攻击作斗争.
研究的目的:
- 开发一个强大的AI生成的图像检测框架,使用多源不确定性.
- 提高AI图像检测系统的弹性和适应性.
主要方法:
- 杆化的费舍尔信息,蒙特卡洛 (MC) 丢失和深核学习 (DKL) 与高斯过程 (GP) 分类器预测差异.
- 集成的不确定性信号使用粒子集群优化 (PSO) 进行自适应加权和排斥值.
- 通过稳定扩散图像进行训练,并通过各种生成器 (GLIDE,VQDM,Midjourney,BigGAN,StyleGAN3) 和对抗性攻击 (FGSM,PGD) 进行评估.
主要成果:
- 综合不确定性测量在未见的发电机上实现了~70%的错误拒绝率,过了大多数错误分类的AI样本.
- 保持自然图像和域内人工智能数据的高接受度.
- 在对抗性攻击下,联合不确定性拒绝了~61%的成功攻击,仅GP的不确定性就达到80%,同时保持选择性.
结论:
- 多源不确定性融合为人工智能生成的图像检测提供了弹性和适应性的方法.
- 拟议的框架有效地处理分配转移和对抗性威胁.
- 保守地拒绝潜在的AI图像,为重新培训和系统改进提供了有价值的数据.
