GAN

发布日期: 2025-07-11

更新日期: 2025-07-12

文章字数: 1.3k

阅读时长: 5 分

阅读次数:

⚠️ 以下所有内容总结都来自于大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-07-11 更新

AI-GenBench: A New Ongoing Benchmark for AI-Generated Image Detection

Authors:Lorenzo Pellegrini, Davide Cozzolino, Serafino Pandolfini, Davide Maltoni, Matteo Ferrara, Luisa Verdoliva, Marco Prati, Marco Ramilli

The rapid advancement of generative AI has revolutionized image creation, enabling high-quality synthesis from text prompts while raising critical challenges for media authenticity. We present Ai-GenBench, a novel benchmark designed to address the urgent need for robust detection of AI-generated images in real-world scenarios. Unlike existing solutions that evaluate models on static datasets, Ai-GenBench introduces a temporal evaluation framework where detection methods are incrementally trained on synthetic images, historically ordered by their generative models, to test their ability to generalize to new generative models, such as the transition from GANs to diffusion models. Our benchmark focuses on high-quality, diverse visual content and overcomes key limitations of current approaches, including arbitrary dataset splits, unfair comparisons, and excessive computational demands. Ai-GenBench provides a comprehensive dataset, a standardized evaluation protocol, and accessible tools for both researchers and non-experts (e.g., journalists, fact-checkers), ensuring reproducibility while maintaining practical training requirements. By establishing clear evaluation rules and controlled augmentation strategies, Ai-GenBench enables meaningful comparison of detection methods and scalable solutions. Code and data are publicly available to ensure reproducibility and to support the development of robust forensic detectors to keep pace with the rise of new synthetic generators.

生成式人工智能的快速进步已经彻底改变了图像创作的方式，它能够通过文本提示进行高质量合成，同时为媒体真实性带来了重大挑战。我们推出了Ai-GenBench，这是一个新型基准测试，旨在满足现实场景中检测AI生成图像的实际需求。不同于在静态数据集上评估模型的现有解决方案，Ai-GenBench引入了一个临时评估框架，该框架按生成模型的顺序对合成图像进行增量训练，以测试其适应新生成模型的能力，例如从生成对抗网络（GANs）到扩散模型的过渡。我们的基准测试专注于高质量、多样化的视觉内容，并克服了当前方法的关键局限性，包括任意数据集分割、不公平比较和过高的计算需求。Ai-GenBench为研究人员和非专家（例如记者、事实核查人员）提供了综合数据集、标准化评估协议和可访问的工具，确保了可重复性，同时满足了实际训练要求。通过制定明确的评估规则和可控的增强策略，Ai-GenBench能够实现检测方法的有意义比较和可扩展解决方案。代码和数据公开可用，以确保可重复性和支持开发稳健的取证检测器，以适应新型合成生成器的涌现。

论文及项目相关链接

PDF Accepted at Verimedia workshop, IJCNN 2025. 9 pages, 6 figures, 4 tables, code available: https://github.com/MI-BioLab/AI-GenBench

Summary
生成式AI的快速发展已彻底改变了图像创作领域，其能够根据文本提示生成高质量图像，同时为媒体真实性带来了重大挑战。为此，我们推出了Ai-GenBench，这是一个新型基准测试平台，旨在解决检测现实场景中AI生成图像的需求。不同于仅在静态数据集上评估模型的现有方案，Ai-GenBench引入了一个临时评估框架，该框架按生成模型的顺序对合成图像进行历史排序，并对检测方法进行增量训练，以测试它们对新生成模型（例如从GAN到扩散模型）的适应能力。我们的基准测试专注于高质量、多样化的视觉内容，并解决了当前方法的关键局限性，包括任意数据集分割、不公平比较和计算需求过大。Ai-GenBench为研究人员和非专家（例如记者、事实核查人员）提供了综合数据集、标准化评估协议和可用工具，确保实用性和可重复性训练要求。通过制定明确的评估规则和可控的增强策略，Ai-GenBench为实现检测方法的比较和可扩展解决方案提供了可能。代码和数据公开，以确保可重复性和稳健性，并支持开发用于应对新型合成生成器的鲁棒性取证检测器。

Key Takeaways