Microdefeitos Expõem Macrofalsificações: Detecção de Imagens Geradas por IA via Mudanças Distribucionais Locais

Resumo

Modelos generativos recentes conseguem produzir imagens que parecem altamente realistas, levantando desafios para distinguir imagens reais das geradas por IA. No entanto, detectores existentes baseados em extratores de características pré-treinados tendem a depender excessivamente de semânticas globais, limitando a sensibilidade a microdefeitos críticos. Neste trabalho, propomos o Micro-Defects expose Macro-Fakes (MDMF), um framework de detecção ciente da distribuição local que amplifica irregularidades estatísticas em microescala para discrepâncias distribucionais em macroescala. Para evitar que pistas forenses localizadas sejam diluídas por agregação simples, introduzimos uma Assinatura Forense de Patch (Patch Forensic Signature) aprendível que projeta embeddings semânticos de patches em um espaço latente forense compacto. Em seguida, utilizamos a Máxima Discrepância Média (Maximum Mean Discrepancy, MMD) para quantificar discrepâncias distribucionais entre imagens geradas e reais. Nossa análise fundamentada teoricamente mostra que a modelagem por patches produz discrepâncias comprovadamente maiores quando sinais forenses localizados estão presentes em imagens geradas, permitindo uma separação mais confiável das imagens reais. Experimentos extensos demonstram que o MDMF supera consistentemente os detectores de base em múltiplos benchmarks, validando sua eficácia geral. Página do projeto: 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/