Distinguer les images réelles des images générées par l'IA, communément appelé
'détection d'images', présente un défi important et opportun. Malgré
des recherches approfondies dans le (semi-)régime surveillé, tir zéro et quelques tirs
les solutions ne sont apparues que récemment comme des alternatives prometteuses. Leur principal
L'avantage réside dans la réduction de la maintenance continue des données., qui devient vite
obsolète en raison des progrès des technologies génératives. Nous identifions deux lacunes principales:
(1) un manque de fondement théorique pour les méthodes, et (2) pièce importante
pour l'amélioration des performances dans les régimes zéro tir et peu de tirs. Notre approche est
fondé sur la compréhension et la quantification des biais inhérents aux flux générés
contenu, où nous utilisons ces quantités comme critères de caractérisation générés
photos. Spécifiquement, nous explorons les biais de la probabilité implicite
collecteur, capturé par un modèle de diffusion pré-entraîné. Grâce à la fonction de score
analyse, nous approchons la courbure, pente, et un parti pris en faveur des points sur
la variété de probabilité, établir des critères de détection dans le tir zéro
régime. Nous étendons encore notre contribution au réglage de quelques coups en employant
une méthodologie mixte d'experts. Des résultats empiriques sur 20 modèles génératifs
démontrer que notre méthode surpasse les approches actuelles à la fois en tir zéro
et réglages pour quelques prises de vue. Ce travail fait progresser la compréhension théorique et
utilisation pratique des biais du contenu généré à travers le prisme du multiple
analyse.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: