许可证: MIT 标签:

• 图像分类
• PyTorch
• ViT
• Transformers
• 真实伪造检测
• 深度伪造
• AI检测
• AI图像识别 指标:
• 准确率 模型索引:
• 名称: AI图像检测蒸馏模型 结果:
  • 任务: 类型: 图像分类 名称: 图像分类 指标:
    • 类型: 准确率 值: 0.74 管道标签: 图像分类 库名称: transformers

AI检测模型

模型架构与训练

初始训练了三个独立模型：

1. Midjourney生成图像 vs 真实图像
2. Stable Diffusion生成图像 vs 真实图像
3. Stable Diffusion微调版本 vs 真实图像

数据准备流程：

• 使用谷歌Open Image数据集获取真实图像
• 通过BLIP（自举语言图像预训练）描述真实图像
• 基于BLIP描述生成Stable Diffusion图像
• 根据BLIP描述匹配相似Midjourney图像

该方法确保真实图像与AI生成图像仅在来源上存在差异，其他方面尽可能相似。

最终将三个模型蒸馏为具有1180万参数的小型ViT模型，融合其学习特征以实现更高效检测。

数据来源

• 谷歌Open Image数据集：链接
• Ivan Sivkov的Midjourney数据集：链接
• TANREI(NAMA)的Stable Diffusion提示词数据集：链接

性能表现

• 验证集：74%准确率

  • 从训练数据中保留用于评估泛化能力

• 自定义现实场景集：72%准确率

  • 包含自拍摄影和网络来源图像
  • 设计更贴近互联网常见图像特征

• 对比分析：

  • 在两个测试集上均领先其他流行AI检测模型5个百分点
  • 其他模型在验证集和现实集分别取得89%和79%准确率

核心发现

1. 在验证数据上展现强泛化能力（75%准确率）
2. 对多样化现实图像具有良好的适应能力（72%准确率）
3. 持续优于其他流行模型
4. 验证集到现实集10个百分点的准确率下降表明改进空间
5. 对多种AI生成技术的综合训练增强模型普适性
6. 专注于图像生成中的细微差异而非内容差异

未来方向

• 扩充更多样化的现实案例数据集以缩小性能差距
• 提升对网络来源图像的泛化能力
• 对误分类样本进行错误模式分析
• 整合新兴AI图像生成技术
• 考虑针对关键检测领域进行专项微调