随着 OpenAI 推出 GPT-4o 的图像生成功能，AI 生图能力被拉上了一个新的高度，但你有没有想过，这光鲜亮丽的背后也隐藏着严峻的安全挑战：如何区分生成图 像和真实图像？尽管目前有很多研究已在尝试解决这个挑战，然而这个挑战深层次的泛化难题一直没有得到合理的探究，生成图像和真实图像的区别真的是简单 的 「真假二分类 」吗？ 近日，北京大学与腾讯优图实验室等机构的研究人员针对这一泛化难题做了一些深层次的探究，研究表明 AI 生成图像检测任务远比 「真假二分类 」复杂！这里 基于正交子空间的分解对该挑战提出了一种新的解决思路，实现了检测模型从 「记忆式背诵」 到 「理解式泛化」 的跨越，显著提升 AI 生成图像检测的泛化能 力，具有理论深度与实践价值的双重突破。论文被 ICML2025 接收为 Oral (TOP ~1%)。 我们设计了一种新的基于正交分解的高效微调方法，既保留原有大模型原有的丰富预训练知识，又 「正交」 地学习下游任务相关的新知识。同时，我们对当前检 测模型泛化性失效的原因给出了深入的量化分析，最后也总结了一些能够泛化性成功的关键 Insight。 解决了什么问题 论文题目： Orthog ...