미세 결함이 거시적 가짜를 폭로하다: 국소 분포 변화를 통한 AI 생성 이미지 탐지
Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts
May 10, 2026
저자: Boxuan Zhang, Jianing Zhu, Qifan Wang, Jiang Liu, Ruixiang Tang
cs.AI
초록
최근 생성 모델은 매우 사실적인 이미지를 생성할 수 있어, 실제 이미지와 AI 생성 이미지를 구별하는 데 어려움이 증가하고 있다. 그러나 기존의 사전 학습된 특징 추출기에 기반한 탐지기는 전역 의미론에 과도하게 의존하는 경향이 있어, 중요한 미세 결함에 대한 민감도가 제한적이다. 본 연구에서는 국소 분포 인식 탐지 프레임워크인 미세 결함이 거짓을 드러낸다(Micro-Defects expose Macro-Fakes, MDMF)를 제안하여, 미시적 규모의 통계적 불규칙성을 거시적 수준의 분포 차이로 증폭시킨다. 단순한 집계에 의해 국소적 포렌식 단서가 희석되는 것을 방지하기 위해, 학습 가능한 패치 포렌식 서명(Patch Forensic Signature)을 도입하여 의미론적 패치 임베딩을 소형 포렌식 잠재 공간으로 투영한다. 그런 다음 최대 평균 차이(MMD)를 사용하여 생성 이미지와 실제 이미지 간의 분포 차이를 정량화한다. 이론 기반 분석을 통해 생성 이미지에 국소적 포렌식 신호가 존재할 때 패치 단위 모델링이 증명 가능한 더 큰 차이를 산출하여, 실제 이미지로부터의 더 신뢰할 수 있는 분리를 가능하게 함을 보여준다. 광범위한 실험을 통해 MDMF가 여러 벤치마크에서 기준 탐지기를 일관되게 능가하여, 그 일반적 효과성을 입증한다. 프로젝트 페이지: https://zbox1005.github.io/MDMF-project/
English
Recent generative models can produce images that appear highly realistic, raising challenges in distinguishing real and AI-generated images. Yet existing detectors based on pre-trained feature extractors tend to over-rely on global semantics, limiting sensitivity to the critical micro-defects. In this work, we propose Micro-Defects expose Macro-Fakes (MDMF), a local distribution-aware detection framework that amplifies micro-scale statistical irregularities into macro-level distributional discrepancies. To avoid localized forensic cues being diluted by plain aggregation, we introduce a learnable Patch Forensic Signature that projects semantic patch embeddings into a compact forensic latent space. We then use Maximum Mean Discrepancy (MMD) to quantify distributional discrepancies between generated and real images. Our theory-grounded analysis shows that patch-wise modeling yields provably larger discrepancies when localized forensic signals are present in generated images, enabling more reliable separation from real images. Extensive experiments demonstrate that MDMF consistently outperforms baseline detectors across multiple benchmarks, validating its general effectiveness. Project page: https://zbox1005.github.io/MDMF-project/