CVPR 2026 | 数据越多越分不清真假？中科院新作破解AIGC检测悖论

本文背景是AIGC技术快速发展，合成图像逼真度极高，使得检测其真伪成为挑战。研究目的是解决一个检测悖论：直觉上增加训练数据来源（即涵盖更多生成器）应提升检测模型的泛化能力，但实际发现存在“先获益再冲突”现象，即数据源过多时性能反而下降。为此，作者提出了基于原型学习的通用检测框架GAPL。该方法通过选取三种代表性生成器作为原型，构建原型子空间，并采用两阶段学习（先冻结编码器构建判别空间，再解冻并进行原型对齐）来约束伪造图像的方差，重塑底层表征。结论是GAPL在涵盖54个子集的测试中取得了90.4%的平均准确率，显著优于现有方法，为AIGC通用检测提供了新方向。