Microdefecten leggen macrovervalsingen bloot: Detectie van AI-gegenereerde afbeeldingen via lokale distributieverschuivingen

Samenvatting

Recente generatieve modellen kunnen afbeeldingen produceren die zeer realistisch ogen, wat uitdagingen oplevert bij het onderscheiden van echte en door AI gegenereerde afbeeldingen. Bestaande detectoren op basis van voorgetrainde kenmerkextractoren hebben echter de neiging om te veel te vertrouwen op globale semantiek, waardoor de gevoeligheid voor de kritieke micro-defecten wordt beperkt. In dit werk introduceren we Micro-Defects expose Macro-Fakes (MDMF), een lokaal distributiebewust detectieframework dat micro-schaal statistische onregelmatigheden versterkt tot discrepanties op macro-schaal in de distributie. Om te voorkomen dat gelokaliseerde forensische aanwijzingen worden verzwakt door eenvoudige aggregatie, introduceren we een leerbare Patch Forensic Signature die semantische patch-inbeddingen projecteert in een compacte forensische latente ruimte. Vervolgens gebruiken we Maximum Mean Discrepancy (MMD) om distributieverschillen tussen gegenereerde en echte afbeeldingen te kwantificeren. Onze theoretisch onderbouwde analyse toont aan dat patchgewijze modellering aantoonbaar grotere discrepanties oplevert wanneer gelokaliseerde forensische signalen aanwezig zijn in gegenereerde afbeeldingen, waardoor een betrouwbaardere scheiding van echte afbeeldingen mogelijk wordt. Uitgebreide experimenten tonen aan dat MDMF consequent beter presteert dan basisdetectoren op meerdere benchmarks, wat de algemene effectiviteit ervan bevestigt. Projectpagina: 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/