摘要
随着生成AI的快速发展，我们在可靠检测其输出方面的能力却未能跟上，特别是在检测器遇到未见过的生成器时。我们推出了GenSyn10，这是一个与CIFAR-10对齐的合成图像数据集，包含60,000张图像（10个类别，32×32，50k/10k划分），使用三种架构各异的最先进模型生成：FLUX.2-dev（修正流变换器）、HunyuanImage-3.0（MoE变换器）和Qwen-Image-2512（多模态扩散变换器），旨在推动AI生成图像检测的研究。
在这一领域的一个核心挑战是，检测器在已知生成器上表现良好，但在未见过的生成器上性能下降。GenSyn10通过从多种当代架构中策划数据，在标准化生成协议下解决了这一限制，使得对新生成器的分布外（OOD）泛化进行可控和系统的评估。图像是通过基于模板的提示引擎生成，并进行了下采样以确保一致性。
我们在四个阶段的协议下评估了17种图像分类模型：真实数据基线、零-shot迁移、微调和保持。尽管存在可测量的领域差距，经过CIFAR-10训练的模型在GenSyn10上实现了高达96.86%的零-shot准确率，经过微调后提高至99.88%。在真实与合成分类的二元任务中，微调后的模型在已见生成器上实现了97-99.9%的准确率，但在未见生成器的图像上降至79-96%，突显了在OOD泛化方面的持续限制。这些结果确立了GenSyn10作为研究合成图像检测的受控基准，超越单一生成器设置，支持对鲁棒性、领域适应和跨生成器泛化的研究。
博主点评： GenSyn10为生成图像的检测提供了一个重要的数据集，尤其在面对多种生成器时，其标准化的生成协议极大地促进了研究的系统性与可靠性。随着生成AI技术的不断演进，如何提升检测器的泛化能力将是未来的关键挑战。