RED: Reconstruction Evolution Dynamics for Generalizable AI-Generated Image Detection

📄 arXiv: 2609.36822v1 📥 PDF

作者: Wenpeng Mu, Junshan Jin, Tanfeng Sun, Xinghao Jiang, Qiang Xu

分类: cs.CV

发布日期: 2026-09-29

💡 一句话要点

提出RED框架以解决AI生成图像检测中的重建演化问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: AI生成图像 图像检测 重建演化 取证线索 多尺度VQ-VAE 图像自适应 鲁棒性 深度学习

📋 核心要点

  1. 现有的AI生成图像检测方法多依赖静态表示，未能充分利用中间重建阶段的信息，导致检测效果受限。
  2. 本文提出RED框架，通过分析重建演化过程中的标记可预测性，聚合中间重建状态的取证证据，提升检测性能。
  3. 实验结果显示，RED在多个基准测试中表现优异，平均准确率达到92.5%，平均精度为97.5%，展现出强大的鲁棒性。

📝 摘要（中文）

随着图像生成器的快速发展，现有的检测方法往往依赖于静态图像表示或最终重建差异，未能充分探索中间重建阶段的演变。本文提出RED（重建演化动态）框架，利用从粗到细的重建演化捕捉可转移的取证线索。RED是首个利用尺度级别的标记可预测性来指导中间重建状态的取证证据聚合的框架。通过对图像自适应阶段权重的学习，RED能够有效捕捉重建轨迹中的互补取证线索。实验结果表明，RED在六个基准测试中实现了92.5%的平均准确率和97.5%的平均精度，展现出对常见图像退化的强鲁棒性。

🔬 方法详解

问题定义：本文旨在解决现有AI生成图像检测方法在中间重建阶段信息利用不足的问题，现有方法多依赖最终重建结果，忽视了重建过程中的动态变化。

核心思路：RED框架通过分析真实图像与生成图像在不同重建尺度上的标记可预测性，利用中间重建阶段的信息来增强取证证据的聚合，从而提高检测的准确性和鲁棒性。

技术框架：RED的整体架构包括多个模块：首先，使用冻结的多尺度VQ-VAE生成重建轨迹；其次，利用冻结的CLIP编码器在共享特征空间中表示重建；然后，通过冻结的VAR模型学习图像自适应阶段权重；最后，交叉阶段证据聚合模块共同建模原始图像表示和加权重建特征。

关键创新：RED的主要创新在于首次利用尺度级别的标记可预测性来指导中间重建状态的取证证据聚合，这一方法与传统依赖最终重建结果的检测方法有本质区别。

关键设计：在设计上，RED采用了图像自适应阶段权重的学习机制，利用尺度级别的负对数似然损失函数来优化模型性能，确保在不同重建阶段能够有效捕捉到互补的取证线索。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个多样化的基准测试中，RED框架实现了92.5%的平均准确率和97.5%的平均精度，显著优于现有方法，展现出对常见图像退化的强鲁棒性，证明了重建演化在AI生成图像检测中的重要性。

🎯 应用场景

该研究的潜在应用领域包括数字取证、内容验证和图像生成技术的安全性评估。通过提高AI生成图像的检测能力，RED框架能够帮助识别伪造内容，保护信息的真实性，未来可能在法律、媒体和社交网络等领域产生深远影响。

📄 摘要（原文）

The rapid evolution of image generators calls for forensic cues that generalize beyond known generation mechanisms. Existing detectors often rely on static image representations or endpoint reconstruction discrepancies, leaving the evolution of intermediate reconstruction stages underexplored. We observe that the relative token predictability of real and generated images can reverse across reconstruction scales, suggesting that intermediate stages may expose forensic evidence overlooked by endpoint comparisons. Motivated by this observation, we propose RED (Reconstruction Evolution Dynamics), a framework that captures transferable forensic cues from coarse-to-fine reconstruction evolution. To our knowledge, RED is the first framework to use scale-wise token predictability to guide forensic evidence aggregation across intermediate reconstruction states. It represents the reconstruction trajectory produced by a frozen multiscale VQ-VAE in the shared feature space of a frozen CLIP encoder. To connect the observed predictability variations with visual evidence, RED learns image-adaptive stage weights from scale-wise token negative log-likelihoods provided by a frozen VAR model. A cross-stage evidence aggregation module then jointly models the original-image representation and the weighted reconstruction features, capturing complementary forensic cues through interactions along the reconstruction trajectory. Experiments on six diverse benchmarks demonstrate that RED achieves the highest average accuracy of 92.5\% and average precision of 97.5\% among the evaluated methods. Further evaluations show strong robustness to common image degradations, supporting the value of reconstruction evolution for generalizable AI-generated image detection. The code will be made publicly available upon acceptance of this paper.