图像自回归生成的数据溯源
本研究提出了一种事后溯源框架，无需修改生成过程或输出，即可检测图像自回归模型（IAR）生成图像中的特征模式，从而可靠地将生成图像与其源模型关联。该方法适用于已发布的无水印图像或未集成水印的模型，有助于防止虚假信息传播、欺诈检测和有害内容溯源。实验表明该方法在多种IAR上有效，并被ICLR 2026接收。
来源arXiv Computer Vision作者: Bihe Zhao, Louis Kerner, Michel Meintz, Tameem Bakr, Franziska Boenisch, Adam Dziedzic
图像自回归模型（Image Autoregressive Models, IARs）近年来在视觉内容生成领域展现出卓越能力，通过继承自大语言模型的下一词预测范式，实现了照片级真实感质量和快速合成。然而，随着这些模型变得广泛可及，需要稳健的数据溯源机制来可靠地将IAR生成的图像追溯至合成它们的源模型。这对于防止虚假信息传播、检测欺诈以及归因有害内容至关重要。
研究者发现，尽管IAR生成的图像在视觉上通常与真实图像难以区分，但其生成过程会在输出中引入特征模式，这些模式可以作为可靠的溯源信号。基于此，他们提出了一种事后（post-hoc）框架，能够稳健地检测这些模式以实现溯源追踪。值得注意的是，该框架不需要修改生成过程或输出，因此适用于无法使用传统水印方法的场景，例如无需额外标记即可追踪已发布的生成内容，或未集成水印机制的模型。
研究团队在多种IAR模型上展示了该方法的有效性，凸显了其在自回归图像生成中实现稳健数据溯源的巨大潜力。该工作已被国际学习表征会议（ICLR）2026接收。该论文由Bihe Zhao等六位作者共同完成，于2026年6月22日提交至arXiv。实验覆盖了广泛的自回归图像生成模型，验证了该方法在不同架构和训练策略下的泛化能力。这一创新成果有望推动生成内容溯源技术的标准化，为构建可信赖的人工智能生态系统提供关键技术支持。