在 AIGC 技术飞速发展的背景下，只需一行简单的 prompt 就可生成高逼真内容，然而，这一技术进步也带来了严重的安全隐患：虚假新闻、身份欺诈、版权侵犯等问题日益突出。AI 生成图像检测也成为了 AIGC 时代的基础安全能力。

然而在实际应用中， 存在一个 " 尴尬 " 现象：检测器往往在 " 考场 "（公开基准数据集）上分数耀眼，一旦换到 " 战场 "（全新模型或数据分布），性能会大幅下降。

近日，腾讯优图实验室联合华东理工大学、北京大学等研究团队在 A 生成图像检测（AI-Generated Image Detection）泛化问题上展开研究，提出 Dual Data Alignment（双重数据对齐，DDA）方法，从数据层面系统性抑制 " 偏差特征 "，显著提升检测器在跨模型、跨数据域场景下的泛化能力。

目前，相关论文《Dual Data Alignment Makes AI-Generated Image Detector Easier Generalizable》已被 NeurIPS 2025 接收为 Spotlight（录取率 Top 3.2%）。

发现：AI 图像检测器其实只是在 " 识别训练集 "

研究团队认为问题的根源可能在于训练数据本身的构造方式，使得检测器并没有真正学会区分真假的本质特征，而是 " 走了捷径 "，依赖于一些与真伪本身无关的 " 偏差特征 "（Biased Features）来做出判断。

这些偏差特征是真实图像与 AI 生成图像在训练数据收集过程中产生的系统性差异。具体来说：

真实图像：来源渠道复杂，清晰度与画质参差不齐；分辨率分布分散；几乎都以 JPEG 格式存储，并带有不同程度的压缩痕迹。

AI 生成图像：呈现出高度统一的模式，分辨率常集中在 256 × 256、512 × 512、1024 × 1024 等固定档位；并且大多以 PNG 等无损格式存储；画面干净，没有明显压缩痕迹。

在这样的数据构成下，检测模型可能会去学习 " 投机策略 "，例如PNG ≈假图，JPEG ≈真图。这种 " 捷径 "   可以在某些标准测试集（如 GenImage）上甚至可以达到 100% 的检测准确率，然而一旦对 AI 生成的 PNG 图像进行简单的 JPEG 压缩，使其在格式和压缩痕迹上接近真实图像，这类检测器的性能就会出现 " 断崖式下跌 "。

对比真实图像和 AI 生成图像，两者可能存在格式偏差、语义偏差和尺寸偏差：

解法和思路

针对这一问题，研究团队认为如果数据本身带有系统性偏差，模型设计的再复杂也难免 " 学偏 "。因此提出了 DDA（双重数据对齐，Dual Data Alignment） 方法，通过重构和对齐训练数据来消除偏差。其核心操作分为三步：

像素域对齐（Pixel Alignment）

使用 VAE（变分自编码器）技术对每一张真实图像进行重建，得到一张内容一致、分辨率统一的 AI 生成图像。这一步操作消除了内容和分辨率上的偏差。

频率域对齐（Frequency Alignment）

仅仅像素域对齐是不够的，由于真实图像大多经过 JPEG 压缩，其高频信息（细节纹理）是受损的；而 VAE 在重建图像时，反而会 " 补全 " 这些细节，创造出比真实图像更丰富的高频信息，这本身又成了一种新的偏差。

实验也证实了这一点：当研究者将一幅重建图像中 " 完美 " 的高频部分，替换为真实图像中 " 受损 " 的高频部分后，检测器对 VAE 重建图的检出率会大幅下降。

因此，关键的第二步是对重建图执行与真实图完全相同的 JPEG 压缩，使得两类图像在频率域上对齐。

Mixup

最后采用 Mixup 将真实图像与经过对齐的生成图像在像素层面进行混合，进一步增强真图和假图的对齐程度。

经过上述步骤，就能得到一组在像素和频率特征上都高度一致的 " 真 / 假 " 数据集，促进模型学习更泛化的 " 区分真假 " 的特征。

实验效果

传统的学术评测往往是为每个 Benchmark 单独训练一个检测器评估。这种评测方式与真实应用场景不符。

为了更真实地检验方法的泛化能力，研究团队提出了一种严格的评测准则：只训练一个通用模型，然后用它直接在所有未知的、跨域的测试集上评估。

在这一严格的评测标准下，DDA（基于 COCO 数据重建）实验效果如下。

综合表现：在一个包含 11 个不同 Benchmark 的全面测试中，DDA 在其中 10 个 上取得了领先表现。

安全下限（min-ACC）：对于安全产品而言，决定短板的 " 最差表现 " 往往比平均分更重要。在衡量模型最差表现的 min-ACC 指标上，DDA 比第二名高出了 27.5 个百分点。

In-the-wild 测试：在公认高难度的真实场景 "In-the-wild" 数据集 Chameleon 上，检测准确率达到 82.4%。

跨架构泛化：DDA 训练的模型不仅能检测主流的 Diffusion 模型生成的图像，其学到的本质特征还能有效泛化至 GAN 和自回归模型等完全不同，甚至没有用到 VAE 的生成架构。

无偏的训练数据助力泛化性提升

在 AI 生成图像日益逼真的今天，如何准确识别 " 真 " 与 " 假 " 变得尤为关键。

但 AIGC 检测模型的泛化性问题，有时并不需要设计复杂的模型结构，而是需要回归数据本身，从源头消除那些看似微小却足以致命的 " 偏见 "。

" 双重数据对齐 " 提供了一个新的技术思路，通过提供更 " 高质量 " 的数据，迫使这些模型最终学习正确的知识，并专注于真正重要的特征，从而获得更强的泛化能力。