摘要

本文探讨了Stable Diffusion（SD）模型在图像合成中的应用，特别是通过图像到图像的转换方式，将真实图像转换为高度逼真的合成图像的过程，这一过程被称为SD图像清洗。文章指出，这种技术可能导致法医分析在验证内容真实性时遇到困难，尤其是对于敏感和有害材料的识别。为了解决这一问题，研究者提出了一种两阶段的检测管道，能够有效区分原始图像、清洗后的图像和完全合成的图像，显示出在各种条件下的鲁棒性。此外，文章还强调了图像清洗可能掩盖法医检测器用于解决相机模型识别任务的独特痕迹，严重削弱其性能。

原理

Stable Diffusion模型通过先进的自动编码器结构，允许用户从实际输入图像开始构建创作。输入图像通过添加噪声、编码到潜在空间并经过多次去噪步骤，受用户文本提示的影响，最终解码生成合成图像。这一过程的关键在于用户可以通过调整强度参数来控制输出图像与输入图像的相似度。在极端情况下，输入图像可以在没有噪声注入的情况下直接编码和解码，几乎完美地复制输入图像的语义内容。这种图像清洗技术通过SD编码和解码链，可以洗去图像的原始痕迹，模拟合成生成，从而在法医分析中造成混淆。

流程

研究提出的两阶段检测管道包括：首先，通过一个基于EfficientNet-B4 CNN架构的检测器，从查询图像中随机提取800个96×96像素的彩色补丁，每个补丁关联一个检测分数，通过选择最高分数的75%并计算其算术平均值来确定图像分数。其次，通过第二个检测器进一步区分完全合成的图像和清洗后的图像。在部署阶段，查询图像首先通过第一个检测器，如果图像分数小于0，则被识别为真实图像，否则通过第二个检测器进行分类。实验证明，这种方法在处理压缩和重采样等常见后处理操作时表现出良好的鲁棒性。

应用

本文提出的检测方法不仅在区分真实、合成和清洗图像方面显示出高效性，而且在处理未知数据和后处理操作时也表现出强大的泛化能力。这一技术在网络安全、内容审核和法医调查等领域具有广泛的应用前景，特别是在识别和防止敏感或有害内容的传播方面，具有重要的社会意义和实际价值。