awesome-aigc-image-detection

这是一个精心策划的资源合集，专注于AI生成图像检测领域，收录了相关的论文、数据集和其他资源。合集覆盖了GAN、扩散模型、自回归模型等生成方法生成的图像检测方法，并按照论文类别、会议和主题组织内容，旨在为研究者和实践者提供全面的参考。This is a curated collection of resources focused on the domain of AI-generated image detection, which compiles relevant papers, datasets and other resources. The collection covers image detection methods for images generated by generative approaches such as GANs, diffusion models and autoregressive models, and organizes its contents by paper category, conference and topic, with the goal of providing comprehensive references for both researchers and practitioners.

原始信息汇总

数据集概述：Awesome AI-Generated Image Detection

这是一个精心策划的、全面的**AI生成图像检测（AIGC Detection）**资源列表，涵盖了针对GAN、扩散模型、自回归模型及其他生成方法合成图像的检测技术。

基本信息

• 维护状态：持续更新
• 最后更新：2026-03-16
• 论文总数：170+
• 收录标准：在CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、AAAI等顶级会议上发表的同行评审论文，以及有影响力的arXiv预印本，优先收录提供开源代码的方法。

内容结构

资源列表按以下维度对论文和资源进行了系统分类：

1. 综述论文（Survey）

收录了3篇关于AI生成图像检测的综述，涵盖技术路线、数据集与未来方向，分别发表于2024-2025年的arXiv。

2. 论文分类树（Paper Tree）

将检测方法分为13个大类，每个大类下包含若干子类：

分类	子类
CLIP/视觉语言方法	微调、提示引导、特征解耦与融合、信息瓶颈
重建方法	扩散重建、自编码器重建、潜空间重建、语义感知重建
频域方法	频谱分析、颜色/去马赛克、傅里叶/DCT
补丁/纹理方法	补丁学习、纹理分析
低级伪影检测	上采样伪影、像素级、熵/位平面、噪声/指纹
扰动/鲁棒性方法	扰动、不确定性、分布拟合
LMM/推理方法	定位与解释、多模态检测、VLM基础
零样本/免训练方法	免训练、零样本
扩散特定检测	重建误差、概率/轨迹
自回归模型检测	-
深度伪造检测	-
泛化：训练策略与数据工程	数据对齐、以真实为中心与校准、多生成器
图像溯源/源追踪	模型归因、自回归归因

3. 顶级方法（SOTA Methods）

列出了16个代表性方法及其开源代码地址，涵盖CVPR、ICCV、ICML、ICLR等会议，时间跨度2020-2026年。

4. 推荐基准数据集（Recommended Benchmarks）

11个广泛使用的基准测试和评估框架，包括：

• ForenSynths（2020）：11个GAN生成器的标准测试基准
• UniversalFakeDetect（2023）：19个生成器，覆盖GAN和扩散模型
• GenImage（2023）：百万级基准，覆盖8个生成器
• Synthbuster（2023）：扩散生成图像检测基准
• Chameleon（2025）：人类难度的检测场景
• DRCT-2M（2024）：2M图像，来自16个扩散模型
• Aligned Forensics（2025）：真实图像与LDM自编码器重建配对
• FakeInversion（2024）：14个未见过的文本到图像模型
• CO-SPYBench（2025）：22个生成器+5万张野外图像
• Community Forensics（2025）：4803个生成器的大规模泛化基准
• ForensicHub（2025）：统一的AIGC检测基准与代码库

5. 按会议分类的论文（Papers by Venue）

论文按发表会议和时间组织，包括CVPR 2026、ICLR 2026、AAAI 2026、NeurIPS 2025、ICCV 2025、ICML 2025等，每个论文附有标题、作者、代码链接和分类标签。

搜集汇总

数据集介绍

构建方式

在人工智能生成图像（AIGC）检测领域，随着GANs、扩散模型及自回归模型等生成技术的迅猛发展，构建一个系统化、结构化的知识库显得尤为重要。本数据集以GitHub仓库为载体，通过持续追踪和筛选发表于CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR、AAAI等顶级会议及期刊上的同行评审论文，以及具有高影响力的arXiv预印本，精心汇编了170余篇关于AIGC图像检测的研究成果。数据集采用分类树状结构进行组织，将论文按照CLIP/视觉语言方法、重建方法、频域方法、补丁/纹理方法、低级伪影检测、扰动/鲁棒性方法、大语言模型/推理方法、零样本与免训练方法、扩散模型特定检测、自回归模型检测、深度伪造检测、泛化训练策略与数据工程、图像溯源等13个类别进行划分，并特别收录了提供开源代码的代表性方法，形成了一份全面且不断更新的资源清单。

使用方法

使用者可以依据数据集的分类树状结构快速定位感兴趣的技术方向，例如通过“CLIP / Vision-Language Methods”子类深入探索基于视觉语言模型的检测方案。数据集为每篇论文提供了完整的引用信息（标题、发表会议/期刊、年份）以及指向论文和开源代码的链接，便于进行文献回顾与实验复现。推荐基准测试部分列出了如UniversalFakeDetect、Community Forensics等标准化评估框架及其代码仓库，可用于统一评测检测方法的性能。此外，数据集还通过“Paper by Venue”和“Paper by Category”两种索引方式，支持按会议层级或技术主题进行灵活检索。使用者可将此数据集作为研究起点，快速掌握领域全貌，并利用其中的代码资源开展实验验证与改进工作。

背景与挑战

背景概述

随着生成对抗网络、扩散模型与自回归模型等生成技术的迅猛发展，人工智能生成图像在视觉质量与语义逼真度上已臻于极致，其广泛应用在催生创意产业革新的同时，亦引发了关于信息真实性、深度伪造与数字信任的深刻忧虑。在此背景下，AI生成图像检测（AIGC Detection）作为数字取证领域的前沿课题应运而生，旨在精准区分自然图像与合成图像以维护视觉信息的可信度。该领域自2020年CVPR上Wang等人提出基于CNN伪造痕迹的检测范式以来，历经多模态特征挖掘、频域分析与重建误差判别等阶段，至2025至2026年间已汇聚超过170篇经同行评审的高水平论文，涵盖CVPR、ICCV、NeurIPS、ICLR等顶级会议。该数据集由多位匿名研究者持续维护，系统梳理了从CLIP视觉语言方法到大型多模态模型推理的十三类检测范式，并收录了ForenSynths、UniversalFakeDetect、GenImage等业界基准，为跨生成器泛化检测与可解释性研究提供了结构化知识图谱，深刻推动了数字取证领域的理论演进与技术落地。

当前挑战

AI生成图像检测面临的核心挑战在于生成模型迭代速度远超检测方法的泛化能力，导致现有检测器在面对未见过的生成架构或后处理干扰时性能急剧下降。具体而言，领域问题层面，不同生成器（如GAN、扩散模型、自回归模型）在频域特征、像素级伪影与语义一致性上呈现显著差异，而真实世界中的图像压缩、裁剪与噪声叠加进一步模糊了真假边界，使得单一特征依赖的检测器难以维持鲁棒性。构建过程中，数据集需持续同步收录最新生成器的输出样本以保持时效性，但生成模型的闭源性与高昂的计算成本限制了大规模、多样化训练集的获取；同时，标注真实图像与伪造图像时需消除因自动编码器重建引入的虚假相关性（如AlignedForensics所揭示），避免模型学习到非本质的区分线索。此外，检测方法的可解释性不足与零样本场景下的推理薄弱，亦成为制约该领域从实验室走向实际部署的瓶颈。

常用场景

经典使用场景

在生成式人工智能迅猛发展的时代浪潮中，AI生成图像凭借其逼真度与多样性，正逐步模糊真实与虚拟的边界。该数据集作为AIGC图像检测领域的系统性资源整合库，其经典使用场景聚焦于构建跨生成模型的通用检测框架。研究者可基于其中收录的170余篇论文与标准化基准，系统性地探索从GAN、扩散模型到自回归模型等不同生成范式下的图像鉴别方法，涵盖频域分析、重建误差、补丁纹理及视觉语言模型等多元技术路线，为开发鲁棒且泛化的检测器提供坚实的实验基础与对比依据。

解决学术问题

该数据集系统性地回应了AIGC图像检测领域长期面临的核心学术挑战，即如何突破特定生成模型的局限，实现跨生成器、跨数据域的高泛化性检测。通过梳理CLIP微调、重建对比学习、频域伪影分析及零样本检测等前沿策略，它有效解决了检测器对未见生成模型失效、对真实图像误判以及面对对抗扰动时脆弱性等关键问题。其深远意义在于推动了从单模型专用检测向通用、可解释、可溯源检测范式的跃迁，为构建可信数字内容生态奠定了理论基础与方法论支撑。

实际应用

在实际应用层面，该数据集所整合的技术体系正深刻赋能于数字取证、社交媒体内容审核与知识产权保护等关键领域。例如，基于重建误差的检测方法可部署于在线平台，实时甄别由扩散模型生成的虚假新闻图片；频域分析技术则能辅助法医鉴定机构追溯图像来源，区分真实摄影与AI合成内容。此外，视觉语言模型驱动的可解释检测框架，如LEGION与FakeShield，已展现出在金融反欺诈、医疗影像真伪验证等高风险场景中的巨大潜力，为维护信息真实性提供了可落地的技术方案。

数据集最近研究

最新研究方向

生成式人工智能的迅猛发展，特别是扩散模型与自回归模型的广泛应用，使得AI生成图像的逼真度达到了前所未有的高度，随之而来的深度伪造与虚假信息传播风险已成为数字时代亟待攻克的重大挑战。在这一背景下，AI生成图像检测领域正经历从单一特征识别向多模态、可解释与高泛化能力的深刻转型。当前最前沿的研究方向聚焦于利用视觉-语言模型（如CLIP）进行语义对齐与零样本检测，通过重建误差与频域分析捕捉生成痕迹，以及借助大语言模型实现可解释的推理与定位。值得注意的是，2025至2026年间涌现的诸多工作，如基于生成器感知原型的大规模检测方法、图像自适应提示学习策略，以及社区取证框架，显著提升了检测器对未知生成模型的泛化能力。同时，面向自回归模型的新兴检测范式与基于多专家混合的鲁棒架构，进一步拓展了该领域的边界。这些研究不仅为构建可信的数字内容生态提供了关键技术支撑，也在虚假新闻防范、版权保护与司法取证等热点事件中展现出深远的社会意义与学术价值。