R 2 BD：一种基于重建的方法，用于通用且高效地检测伪造图像

《IEEE Transactions on Dependable and Secure Computing》：R 2 BD: A Reconstruction-Based Method for Generalizable and Efficient Detection of Fake Images

　　

摘要：

近期，基于重建的方法在AI生成内容（AIGC）图像检测领域受到了关注。这些方法利用预训练的扩散模型来重建输入图像，并通过测量残差来区分真实图像和伪造图像。它们的主要优势在于减少了对特定数据集特征的依赖，并提高了在分布变化下的泛化能力。然而，由于多步骤的反向操作和重建过程导致效率低下，而且它们对扩散模型的依赖限制了其泛化到其他生成模型（如GANs）的能力。在本文中，我们提出了一种新的伪造图像检测框架，称为RBD，该框架基于两个关键设计：(1) G-LDM，一种统一的重建模型，能够模拟VAE、GAN和扩散模型的生成行为，从而扩展了检测范围，超越了以往仅依赖扩散模型的方法；(2) 一个残差偏差计算模块，可以在单次推理步骤中区分真实图像和伪造图像，这比现有方法（通常需要20多个步骤）显著提高了效率。在10个公共数据集上的广泛实验表明，RBD的检测速度比现有的基于重建的方法快22倍以上，同时具有更高的检测准确性。在跨数据集评估中，其性能比最先进的方法平均高出13.87%，显示出在多种生成模型中的强大效率和泛化能力。用于评估的代码和数据集可在https://github.com/QingyuLiu/RRBD获取。