Project1-AI-Generated-Image-Detection-2026

该数据集是延世大学人工智能系课程“CAS3120·机器学习导论·2026年春季”的项目材料，专门用于AI生成图像检测的二元图像分类任务。数据集包含真实图像和AI生成图像两类，所有图像均为128×128像素的RGB PNG格式。数据规模方面，训练集包含2000张已标注图像，验证集包含1000张已标注图像，测试集包含2000张图像（标签保留用于课程Kaggle竞赛评估）。每个已标注数据集（训练集和验证集）均保持50/50的类别平衡。数据组织上，训练集和验证集通过文件夹名称编码标签：0_real文件夹存放真实图像（标签0），1_fake文件夹存放AI生成图像（标签1）；测试集则统一存放在images文件夹中，文件名随机排列且不提供标签。该数据集适用于二元图像分类模型训练、计算机视觉教学实践以及AI生成内容检测研究，特别适合作为机器学习入门课程的教育资源。数据集采用CC BY-NC 4.0许可证，仅限于课程相关的学术和教育用途。

This dataset is project material for the course CAS3120: Introduction to Machine Learning, Spring 2026 in the Department of Artificial Intelligence at Yonsei University, specifically designed for binary image classification tasks in AI-generated image detection. It includes two categories: real images and AI-generated images, all in 128×128 pixel RGB PNG format. In terms of data scale, the training set contains 2000 labeled images, the validation set contains 1000 labeled images, and the test set contains 2000 images (with labels withheld for course Kaggle competition evaluation). Each labeled dataset (training and validation sets) maintains a 50/50 class balance. In terms of data organization, the training and validation sets encode labels via folder names: the 0_real folder stores real images (label 0), and the 1_fake folder stores AI-generated images (label 1); the test set is uniformly stored in the images folder, with file names randomly arranged and no labels provided. This dataset is suitable for binary image classification model training, computer vision teaching practices, and AI-generated content detection research, particularly as an educational resource for introductory machine learning courses. It is licensed under CC BY-NC 4.0, restricted to academic and educational purposes related to the course.

原始信息汇总

数据集概述

基本信息

• 数据集名称: Project 1 — AI-Generated Image Detection (Yonsei CAS3120, Spring 2026)
• 许可证: CC BY-NC 4.0（仅限学术与教育用途）
• 任务类型: 图像分类（二分类）
• 语言: 英语
• 数据规模: 1K < n < 10K

任务描述

区分真实图片与AI生成图片的二分类图像识别任务。

数据集组成

• 图像尺寸: 128 × 128 像素，RGB格式，PNG文件
• 数据集划分:
  • train: 2,000张（含标签）
  • val: 1,000张（含标签）
  • test: 2,000张（不含标签）
• 类别平衡: 每个标注集均为50/50平衡分布

文件结构

processed/ ├── train/ │ ├── 0_real/ (标签0：真实图片) │ └── 1_fake/ (标签1：AI生成图片) ├── val/ │ ├── 0_real/ │ └── 1_fake/ └── test/ └── images/ (无标签，图片ID被打乱)

使用方式

通过Hugging Face Hub下载压缩包并解压，示例代码如下： python from huggingface_hub import hf_hub_download import zipfile

zip_path = hf_hub_download( repo_id="legenduck/Project1-AI-Generated-Image-Detection-2026", filename="processed.zip", repo_type="dataset", )

with zipfile.ZipFile(zip_path) as z: z.extractall("/content/")

DATA_DIR = "/content/processed"

提交格式

对测试集进行预测，以CSV格式提交至Kaggle比赛。

id,score 0,0.8234 1,0.1456 ...

• id: 对应测试图片文件名（如00000.png对应id 0）
• score: 实数，数值越高表示越可能为AI生成
• 评估指标：AUC（直接基于分数计算，无需设定阈值）

联系方式（助教）

• Donguk Kwon: [e-mail]
• DeogYong Kim: [e-mail]

搜集汇总

数据集介绍

构建方式

该数据集由韩国延世大学AI系为CAS3120机器学习课程（2026年春季学期）构建，专用于二分类图像任务——区分真实图像与AI生成图像。数据集中所有图像均统一为128×128像素的RGB PNG格式，划分为训练集、验证集和测试集三个子集，分别包含2000张、1000张和2000张图像。每个标注子集中正负样本均衡分布，比例为50/50。训练集与验证集的标签直接由文件夹名称编码（0_real与1_fake），而测试集则以单文件夹形式存放，不提供标签，鼓励学生通过Kaggle竞赛进行评估。整个数据集通过HuggingFace平台发布，用户可通过Python脚本直接下载压缩包并解压至指定工作目录。

特点

该数据集的设计体现了教学驱动的精巧构思。图像尺寸均为128×128像素，恰好在保留足够视觉信息以实现分辨的同时，减轻了计算资源负担，适合课程实验环境。数据量控制在5000张以内，规模适中，既保证了模型训练的有效性，又避免了冗余计算。二分类标注体系简洁明确，每个子集保持严格的类别平衡，消除了数据偏差对模型评估的干扰。最具挑战性与教育意义的设计在于测试集标签的完全保留，学生需通过Kaggle竞赛提交预测结果并计算AUC指标，这一流程激发了真实的学术竞争氛围，促使学习者深入探索模型泛化能力。

使用方法

使用该数据集时，首先需通过huggingface_hub库的hf_hub_download函数下载名为processed.zip的压缩文件到本地工作目录。随后利用Python内置的zipfile模块解压该文件至指定路径，如/content/processed。训练和验证阶段的标签可利用目录结构自动获取，测试集则需逐张预测，并依据说明文档生成CSV格式的提交文件，该文件包含两列：id（对应图片文件名编号）与score（表示图像为AI生成的可能性，数值越大置信度越高）。评估环节采用AUC指标直接从得分计算，无需设定阈值，最终结果需上传至课程指定的Kaggle竞赛平台。该流程完整契合从模型训练到在线评估的机器学习实践链条。

背景与挑战

背景概述

在深度学习与生成对抗网络技术迅猛发展的当下，人工智能生成的图像已具备以假乱真的视觉质量，这引发了关于信息真实性、版权与伦理的深刻担忧。为应对这一挑战，延世大学AI系的CAS3120机器学习课程于2026年春季推出Project1-AI-Generated-Image-Detection-2026数据集。该数据集由课程助教Donguk Kwon与DeogYong Kim主导创建，旨在为二元图像分类任务提供标准化基准——区分真实图像与AI生成图像。数据集包含5000张128×128的RGB图像，划分为训练、验证与测试子集，并保持类别平衡。其发布不仅服务于教学目的，更推动了计算机视觉领域对生成内容检测算法的研究，为学术界和工业界探索鲁棒性检测方法提供了基础资源。

当前挑战

该数据集所应对的领域核心挑战在于AI生成图像的逼真度不断提升，使得传统基于纹理或统计特征的检测方法频繁失效，亟需研制能捕获细微伪影的深度学习模型。构建过程同样面临挑战：首先，需从多种生成模型（如GANs、扩散模型）收集多样化的假图，确保数据集覆盖不同生成范式的伪影模式；其次，为保持任务公平性，测试集标签被刻意隐藏，并计划通过Kaggle竞赛评估模型，这增加了学生与外部分析师在未知分布上的泛化难度；最后，数据集规模有限（5K张），对避免过拟合、实现高AUC性能提出了严格考验。这些挑战共同推动着更鲁棒、更通用的AI生成图像检测技术演进。

常用场景

经典使用场景

Project1-AI-Generated-Image-Detection-2026数据集的核心使命在于应对生成式人工智能浪潮下图像真伪判别的迫切需求。该数据集专为二分类任务设计，包含两千张训练图像与一千张验证图像，每张均为128×128像素的RGB格式，且正负样本均衡分布。其经典使用场景是在课程项目框架下训练一个能够高效区分真实图像与AI生成图像的深度学习分类器，诸如基于卷积神经网络或视觉Transformer的模型。通过封闭的验证集进行内部调参，最终在隐藏标签的测试集上通过Kaggle竞赛机制评估泛化性能。这一设定不仅为学生提供了从数据预处理到模型部署的完整实践链条，也降低了入门门槛，使得即使是初次接触计算机视觉的研究者也能快速聚焦于核心的分类算法设计。

解决学术问题

该数据集瞄准了数字内容安全领域一个日益严峻的学术命题：如何在缺乏先验知识的条件下自动鉴别AI合成图像。传统图像取证方法依赖于手工设计的痕迹特征，但随着生成模型如扩散模型和生成对抗网络的迭代，伪造图像的视觉保真度已逼近人眼极限。本数据集通过提供标准化的公开基准，系统性地推动了面向未知生成来源的通用检测方法研究。它解决了模型泛化能力不足、数据标注成本高昂以及评估标准不一等关键瓶颈。其意义在于为深度伪造检测领域引入了一个可复现、可比较的教育性评估平台，促使研究者们探索鲁棒性强、具备跨生成器迁移能力的特征表示，从而为构建可信的数字媒体环境奠定了数据基础。

衍生相关工作

围绕Project1-AI-Generated-Image-Detection-2026数据集，学界与工业界已衍生出若干经典工作脉络。一方面，研究者基于该基准开展了对抗性训练与数据增强策略的对比实验，验证了频域变换和噪声指纹提取在提升检测鲁棒性上的有效性。另一方面，该数据集催生了多篇以知识蒸馏和模型轻量化为核心的教学项目论文，探索在有限计算资源下保持检测精度的方法。此外，有团队将其与更大规模的公开数据集如ForenSynths和DeepFake Detection Challenge进行联合训练，证明了跨域微调策略在适应新型生成器时的潜力。这些衍生工作不仅丰富了AI生成内容检测的理论工具箱，也通过开源代码和基线模型的发布，加速了该领域从实验室研究向工程落地的转化进程。