生成式AI快速发展，合成图像质量高、速度快，但存在被用于制造假新闻等滥用风险。所以要开发更通用、更鲁棒的合成图像检测方法，以应对最新模型和各种真实场景下的挑战。：关注图像内容（如手部轮廓）。对，但。：关注像素级纹理伪影（如上采样引入的痕迹）。，但，性能下降显著。为了深入理解其优缺点，研究评估了两种最新的语义检测器（Fusing和UnivFD）以及两种伪影检测器（LNP和NPR），使用DRCT-2M

提出了一种名为PiD的、基于像素级分解残差的AI生成图像通用检测方法。

这篇文章提出了一种名为“取证自描述”的新方法，用于检测和溯源AI生成的图像。该方法的核心思想是，无论是相机还是AI生成器，都会在图像中留下独特的、像素级的统计“取证显微结构”。文章通过一种仅使用真实图像的自监督过程，学习一组多样化的预测滤波器来提取包含这些显微结构的残差。然后，通过一个紧凑的参数模型对这些多尺度残差进行联合建模，其参数构成了每张图像唯一的“取证自描述”。