LaRE^2: Latent Reconstruction Error Based Method for Diffusion-Generated Image Detection

扩散模型的进化显著提高了图像生成质量，使得真实图像和生成图像之间的区别越来越难以区分。尽管这种发展令人印象深刻，但也引发了重大的隐私和安全问题。为此，我们提出了一种新颖的潜在重建误差引导特征细化方法（LaRE^2）来检测扩散生成的图像。我们提出了潜在重建误差（LaRE），这是第一个基于重建误差的潜在空间特征，用于生成图像检测。相比现有方法，LaRE在特征提取效率方面表现更好，同时保留了区分真实和伪造图像所需的关键线索。为了利用LaRE，我们提出了一个误差引导特征细化模块（EGRE），它可以通过LaRE引导图像特征的细化，增强特征的区分能力。我们的EGRE采用了对齐-细化机制，可以从空间和通道两个方面有效地细化生成图像检测的图像特征。在大规模的GenImage基准测试上进行的广泛实验表明，我们的LaRE^2优于最佳SoTA方法，平均ACC/AP在8种不同的图像生成器中提高了11.9%/12.1%。LaRE在特征提取成本方面也优于现有方法，提供了8倍的速度增强。

解决问题的关键是检测生成的图像与真实图像之间的区别，以解决隐私和安全问题。

使用Latent Reconstruction Error（LaRE）和Error-Guided feature Refinement module（EGRE）来提高检测生成图像的准确性和效率。

论文提出了LaRE和EGRE，LaRE是第一个基于重建误差的特征，EGRE可以从空间和通道角度对图像特征进行细化。实验结果表明，LaRE^2方法在8个不同的图像生成器上优于最佳现有方法，平均ACC/AP提高了11.9%/12.1%。此外，LaRE方法的特征提取成本也比现有方法低8倍。

相关研究包括GAN图像检测和基于重建误差的图像检测方法，如Patch-based Multi-Task Learning for Anomaly Detection and Localization和Learning to Detect Fake Face Images in the Wild等。