计算机工程与科学

作者：袁程胜1, 2, 陈金瑞1, 2, 徐晨维3, 刘庆程1, 2, 付章杰1, 2

单位：1.南京信息工程大学计算机学院、网络空间安全学院，江苏 南京 210044；2.南京信息工程大学数字取证教育部工程研究中心，江苏 南京 210044；3.国网江苏省电力有限公司信息通信分公司，江苏 南京 210000

关键词：生成对抗网络,扩散模型,伪造检测,生成式检测,

基金：国家自然科学基金(U22B2062,U23B2023,62102189);国家社会科学基金（2022-SKJJ-C-082）

随着人工智能技术的飞速发展，利用生成对抗网络（GAN）与扩散模型（Diffusion Model）等模型生成的图像，已达到肉眼难以辨识真伪的高度逼真水平。尽管当前检测技术能在特定任务中展现优异性能，但是面对未知模型生成的图像时，其泛化能力往往不尽如人意。为了应对这一挑战，提出一种基于细粒度局部伪影的双分支框架，旨在深入挖掘图像全局的空间特征以及多个局部区域的伪造痕迹。利用生成式图像普遍存在的上采样操作在空间域上导致的细粒度伪影现象，并结合图像全局结构信息与局部细节信息，显著提升了检测方法在不同场景中的泛化能力。通过这一方法，能够更全面地分析图像的细粒度篡改痕迹并学习生成式图像的独特指纹，在鉴别AI生成式图像方面展现出更强的鲁棒性和准确性。实验结果表明，本文所提方法在处理多种GAN和扩散模型生成的数据集时均表现出色，进一步验证了其有效性。

来源：2025年第8期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2025年第8期