核心思想：首先
发布时间：2025-06-24 20:06:52 作者：北方职教升学中心 阅读量：872
核心思想：首先，
作者团队：Xiuli Bi, et al. 重庆邮电大学。
后记。真实重建、
前言。个人认为�以真实样本为参考的AIGC检测将是未来的一大趋势。
论文链接：https://arxiv.org/abs/2403.16513。
这篇文章实际上是他们组的另一篇文章 Detecting Generated Images by Real Images (ECCV 2022) 的改进版。"。
目录。
Let Real Images be as a Judger, Spotting Fake Images Synthesized with Generative Models (202403 arXiv)。
核心思想：只使用真实图像作为训练数据基于真实图像的潜在噪声模式，训练单分类器，AIGC检测。
作者团队：Baoying Chen et al. 阿里巴巴 & 中山大学。这个世界不是善恶对抗，所有的坏事只是对善的一种债务和偏差，就像爱因斯坦说的一样c;“世界上没有寒冷，寒冷是温暖的缺失，这个世界没有黑暗，黑暗是光的缺失，这个世界没有仇恨仇恨是缺乏爱。我认为这项工作的亮点是提取真实图像的同质特征，其它似乎没有什么特别之处（个人拙见）#xff0;，Emmm看看它最后的归宿...
DRCT: Diffusion Reconstruction Contrastive Training towards Universal Detection of Diffusion Generated Images (ICML 2024)。那么。
论文链接：https://openreview.net/forum?id=orlwyayrh1。训练特征提取器，使用自监督特征映射机制提取真实图像的同质特征和异质特征，高内聚使用对比学习实现两种特征c;低耦合。
核心思想：首先得到真实图像和虚假图像各自的重建图像，然后基于真实、：论文研究｜AIGC检测文生图模型。：最近在罗翔老师的带领下读了《理想国家》，苏格拉底试图解释世界上唯一的善是，所有的坏都是对善的偏离。虚假、c;虚假是否是对真实的债务和偏差？能否从这个角度以真理为基准以此来检测虚假性？我想，本文介绍的几项工作与这一思想不谋而合。
作者团队：Liang Ziyou, et al. 武汉大学。：本文介绍了AIGC检测的几项工作，以真实图像的特征为标准进行检测。
论文链接：https://arxiv.org/abs/2311.00962。（但我不知道为什么在与皮衣讨论时，论文题目中的Judger应该指的是对比学习中的Anchor...
个人评价：这项工作反复使用对比学习提取真实图像中的同质特征，然后根据真实图像的同质特征和虚假图像特征的差异，判断图像的真实性。
- Detecting Generated Images by Real Images Only (202311 arXiv)。就我个人而言，ECCV 2022 论文中提出的 LNP 应用于本文。虚假重建这四种图像使用对比学习损失训练分类器，获得更准确的决策边界。
个人评价：类似于上一份工作只是这项工作重建了真实的图像，反复使用对比学习注意⚠️：真实图像重建后的图像也是虚假图像！
基于重建损失的AIGC检测工作见本文。
个人评价：当我第一次读到这篇文章时，”。
