【2025CVPR-目标检测方向】FIRE：通过频率引导重建误差对扩散生成的图像进行鲁棒检测

1. ​引言和背景​

扩散模型的快速发展显著提高了图像生成质量，使生成内容难以与真实图像区分，引发了误用风险（如虚假信息）。现有检测方法主要基于重建误差：扩散模型生成的图像在重建过程中（通过预训练模型）误差较小，而真实图像误差较大。但这些方法（如DIRE）面临泛化性问题，无法有效处理未见过的数据集或模型。核心洞察来自频率分析：扩散模型在重建真实图像时，难以准确捕捉中频信息（包含纹理和边缘细节），而生成图像则缺乏这种固有信息。这导致了关键问题：​如何定位和利用这些难重建的频率成分来提升检测？​​

通过实验观察（如Figure 2），作者发现真实图像的中频成分（band-pass filtered）与重建误差图高度相似，而生成图像的重建误差更低。这表明中频信息可作为区分真实和生成图像的关键线索。

2. ​方法概述：FIRE框架​

FIRE的核心思想是：​通过移除真实图像中的难重建中频成分，生成“伪生成图像”，并比较移除前后的重建误差变化。真实图像的误差变化更大，而生成图像的误差变化较小，从而提供鲁棒检测信号。FIRE包括两个主要组件：

• ​频率掩码细化模块（FMRE）​​：识别并隔离中频区域（扩散模型难以重建的部分）。
• ​后端分类器