一种无需训练的生成图像检测系统、方法、设备及介质技术方案

本发明专利技术公开了一种无需训练的生成图像检测系统、方法、设备及介质，涉及生成图像检测技术领域，系统包括图片输入模块、噪声扰动模块、特征采集模块、特征比较模块、梯度范数计算模块和分类决策模块，本发明专利技术通过对输入图像添加高斯噪声生成扰动图像；输入预训练的自监督学习模型提取图像特征；依据输入图像和扰动图像的图像特征，计算图像之间的KL散度损失，并对KL散度损失进行反向传播，获取梯度范数；根据梯度范数计算结果，分类决策判断输入图像是否为生成图像。本发明专利技术系统和方法可以适用于不同类型的生成技术，具有与生成模型无关的检测框架，能够对任意生成模型生成的图像进行检测。

【技术实现步骤摘要】

本专利技术涉及生成图像检测，尤其涉及一种无需训练的生成图像检测系统、方法、设备及介质。

技术介绍

1、近年来，随着生成式人工智能（generative ai）的飞速发展，生成图像和视频技术取得了显著进步，已经能够以假乱真地创造视觉内容。生成模型（如gan、ddpm和stablediffusion）的成熟，使得任何人都可以轻松创建高度逼真的图像。这一技术的普及不仅推动了创意产业的发展，也引发了社会对深度伪造（deepfake）等潜在滥用问题的担忧。

2、目前生成图像检测方法主要分为两类：一是基于监督学习的检测方法：此类方法需要针对特定生成模型进行大规模数据集的训练，通过构建分类器来区分真实图像和生成图像。这类方法虽然在已知模型上表现良好，但面临以下挑战：（1）泛化性不足：生成模型不断更新，现有检测模型往往需要针对新模型重新训练，难以适应不同生成技术。（2）高计算成本：训练大规模深度神经网络需要大量计算资源，部署成本高昂。（3）图像失真敏感性：在真实场景中，图像往往会因压缩、噪声等问题失真，这会显著降低检测准确性。

3、二是无训练检测方本文档来自技高网...

【技术保护点】

1.一种无需训练的生成图像检测系统，其特征在于，包括：

2.基于权利要求1所述检测系统的检测方法，其特征在于，包括步骤：

3.根据权利要求2所述的检测方法，其特征在于，所述S2中预训练的自监督学习模型采用DINOv2模型。

4.根据权利要求3所述的检测方法，其特征在于，所述S2中基于预训练的自监督学习模型提取图像特征，包括：

5.根据权利要求4所述的检测方法，其特征在于，所述S3中计算图像之间的KL散度损失，包括：

6.根据权利要求5所述的检测方法，其特征在于，所述S4中获取梯度范数，包括：

7.根据权利要求6所述的...

【技术特征摘要】

1.一种无需训练的生成图像检测系统，其特征在于，包括：

2.基于权利要求1所述检测系统的检测方法，其特征在于，包括步骤：

3.根据权利要求2所述的检测方法，其特征在于，所述s2中预训练的自监督学习模型采用dinov2模型。

4.根据权利要求3所述的检测方法，其特征在于，所述s2中基于预训练的自监督学习模型提取图像特征，包括：

5.根据权利要求4所述的检测方法，其特征在于，所述s3中计算图像之间的kl散度损失，包括：

6.根据权利要求5所述的检测方法，其...

【专利技术属性】
技术研发人员：徐浩然，方烨锟，马斅良，薛博维，
申请(专利权)人：中科星图数字地球合肥有限公司，
类型：发明
国别省市：