AIGC检测为何总“看走眼”？腾讯优图揭秘：问题或许源于数据源头

随着AIGC技术的快速发展，一行简单的提示词就能生成高度逼真的内容，但这一技术进步也带来了虚假新闻、身份欺诈、版权侵犯等严峻的安全隐患。AI生成图像检测因此成为AIGC时代不可或缺的基础安全能力。

不过在实际应用中，却存在一个尴尬的现象：检测器在公开基准数据集这类“考场”上表现出色，可一旦应用到全新模型或不同数据分布的“战场”，性能就会大幅下滑。

近日，腾讯优图实验室联合华东理工大学、北京大学等研究团队，针对AI生成图像检测的泛化问题展开研究，提出了Dual Data Alignment（双重数据对齐，DDA）方法。该方法从数据层面系统抑制“偏差特征”，显著提升了检测器在跨模型、跨数据域场景下的泛化能力。

目前，相关论文《Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable》已被NeurIPS 2025接收为Spotlight（录取率仅Top 3.2%）。

发现：AI图像检测器实则在“识别训练集”

研究团队认为，问题的根源可能在于训练数据本身的构造方式。这使得检测器没有真正掌握区分图像真假的本质特征，而是“走了捷径”，依赖一些与图像真伪无关的“偏差特征”（Biased Features）来判断。

这些偏差特征是真实图像与AI生成图像在训练数据收集过程中产生的系统性差异。具体表现为：

真实图像：来源渠道多样，清晰度和画质参差不齐；分辨率分布分散；几乎都以JPEG格式存储，且带有不同程度的压缩痕迹。

AI生成图像：呈现出高度统一的模式，分辨率常集中在256×256、512×512、1024×1024等固定档位；大多以PNG等无损格式存储；画面干净，无明显压缩痕迹。

在这样的数据构成下，检测模型可能会学习“投机策略”，比如认为“PNG≈假图，JPEG≈真图”。这种“捷径”在某些标准测试集（如GenImage）上甚至能达到100%的检测准确率，但一旦对AI生成的PNG图像进行简单的JPEG压缩，使其格式和压缩痕迹接近真实图像，这类检测器的性能就会断崖式下跌。

对比真实图像和AI生成图像，两者可能存在格式偏差、语义偏差和尺寸偏差：

解法与思路

针对这一问题，研究团队认为，如果训练数据本身带有系统性偏差，再复杂的模型设计也难以避免“学偏”。因此他们提出了DDA（双重数据对齐）方法，通过重构和对齐训练数据来消除偏差。其核心操作分为三步：

像素域对齐（Pixel Alignment）

利用VAE（变分自编码器）技术对每一张真实图像进行重建，得到内容一致、分辨率统一的AI生成图像。这一步消除了内容和分辨率上的偏差。

频率域对齐（Frequency Alignment）

仅像素域对齐是不够的。由于真实图像大多经过JPEG压缩，其高频信息（细节纹理）受损；而VAE在重建图像时会“补全”这些细节，创造出比真实图像更丰富的高频信息，这又形成了新的偏差。

实验也证实了这一点：当研究者将重建图像中“完美”的高频部分替换为真实图像中“受损”的高频部分后，检测器对VAE重建图的检出率大幅下降。

因此，关键的第二步是对重建图执行与真实图完全相同的JPEG压缩，使两类图像在频率域上对齐。

Mixup

最后采用Mixup将真实图像与经过对齐的生成图像在像素层面混合，进一步增强真图和假图的对齐程度。

经过上述步骤，就能得到一组在像素和频率特征上高度一致的“真/假”数据集，推动模型学习更具泛化性的“区分真假”特征。

实验效果

传统学术评测常为每个Benchmark单独训练一个检测器进行评估，这种方式与真实应用场景不符。

为更真实地检验方法的泛化能力，研究团队提出了严格的评测准则：只训练一个通用模型，然后直接用它在所有未知的跨域测试集上评估。

在这一严格标准下，DDA（基于COCO数据重建）的实验效果如下：

综合表现：在包含11个不同Benchmark的全面测试中，DDA在其中10个上取得领先。

安全下限（min-ACC）：对于安全产品而言，“最差表现”比平均分更关键。在衡量模型最差表现的min-ACC指标上，DDA比第二名高出27.5个百分点。

In-the-wild测试：在公认高难度的真实场景“In-the-wild”数据集Chameleon上，检测准确率达82.4%。

跨架构泛化：DDA训练的模型不仅能检测主流Diffusion模型生成的图像，其学到的本质特征还能有效泛化至GAN和自回归模型等完全不同、甚至未用到VAE的生成架构。

无偏训练数据助力泛化性提升

在AI生成图像日益逼真的当下，准确识别“真”与“假”至关重要。

但AIGC检测模型的泛化性问题，有时无需复杂的模型结构设计，而是要回归数据本身，从源头消除那些看似微小却致命的“偏见”。

“双重数据对齐”提供了新的技术思路，通过提供更“高质量”的数据，促使模型学习正确知识，专注于真正重要的特征，从而获得更强的泛化能力。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com