双学习范式AI生成图像检测取证技术综述
Abstract
人工智能（Artificial Intelligence，AI）生成内容技术的爆发增长引发了严重的信任危机，AI生成图像检测已成为多媒体取证领域的核心议题。为破解当前检测技术研究视角碎片化、理论体系割裂的困境，本文提出一种从“学习范式”切入的统一分析框架，对AI生成图像检测技术进行系统性综述。首先，本文构建了包含“证伪”与“存真”两大根本性类别的双学习范式分析体系，并对各类方法的基本思想进行全面阐述。其中，“证伪”范式侧重于挖掘生成过程中残留的频域异常、空间不一致等伪造痕迹；而“存真”范式旨在通过单类分类或物理一致性约束，对真实图像的固有分布进行建模以识别异常。其次，通过梳理理论分析与技术演进路径，本文揭示了检测技术由被动识别特定痕迹的“证伪”向主动建模真实分布的“存真”演进的趋势，并深入剖析了“证伪”范式在跨域泛化能力上的局限性，以及“存真”范式在建模高维复杂分布时的核心挑战。此外，本文构建了包含库内性能、跨模态泛化性、鲁棒性及可解释性等多维度的评估体系，对比了代表性算法的优劣。同时，本文将相关开源论文及代码链接汇总至GitHub仓库（https：//github.com/qqqqwddw/wesome-image-Detection），并将整理后的数据集与分析数据上传至ScienceDB社区（https：//www.scidb.cn/detail？dataSetId=d6427185d9ff4c43bb6b190a117d723b），以供后续研究参考。最后，本文探讨了范式融合、基于基础模型的检测及反取证防御等未来研究方向，为构建高鲁棒、可解释的AI生成图像检测体系提供理论参考。
Fields of Study & Subjects
Digital Media Forensic Detection
Advanced Steganography and Watermarking Techniques
Generative Adversarial Networks and Image Synthesis
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 10
- Pages
- 3523–3544
- Publication date
- 1 January 2026
- Language
- EN