有机还是扩散型：我们能区分人类艺术和 AI 生成的图像吗？
内容提要
该文综述多项研究，探讨AI生成图像与人类作品的差异及检测方法。基于“多样性vs可识别性”框架的研究发现，扩散模型画作的细节原创性仍逊于人类；可通过面部特征、合成数据训练等方法检测AI伪造图像与艺术品，人机协作能提升检测准确率。文章还讨论了生成式AI对艺术创作的冲击、版权伦理问题及监管需求。
延伸解读
检测AI图像：从面部到艺术品的多路径
文章综述的研究显示，检测AI生成图像有多种方法。针对虚假账户，可聚焦面部特征，有效识别不同生成引擎和低分辨率图像；在艺术品领域，引入合成伪造品训练分类器能提升检测能力。此外，利用像素预测和深度学习模型也能区分合成图像。这些方法各有侧重，但都旨在应对AI伪造带来的安全与伦理挑战。
人机协作：提升检测准确率与信任
一项研究发现，在合成图像检测中，人工智能支持的人类操作员比传统模型表现更好。向人类提供模型的决策或热点映射，不仅能提高分类准确性，还能增加操作员对模型的信任，从而优化人机合作效果。这表明，在检测AI伪造时，结合人类判断与机器智能可能比纯自动化更可靠。
AI艺术与人类艺术：差距与潜力
基于“多样性vs可识别性”框架的研究发现，扩散模型虽能生成看似人类绘制的图像，但在细节原创性和可识别性上仍不如人类作品。同时，AI模型通过训练可模仿特定艺术家风格，引发版权和伦理担忧。然而，若应用得当，AI有潜力成为艺术创作的新方式，而非取代人类艺术家。
监管与伦理：生成式AI的挑战
文章指出，生成式AI模型对艺术创作带来冲击，涉及不正当使用艺术家作品和市场利益转移。文献综述强调，AI生成模型在简化视觉创造流程的同时，也带来法律、伦理等问题，如数据洗白和版权侵犯。适当的监管被认为是解决这些挑战的关键，以确保AI在艺术领域的健康发展。
Q&A
AI生成的图像和人类画的图，在细节上到底有什么差别？
根据“多样性 vs. 可识别性”评分框架的研究，扩散模型生成的图像在细节原创性和可识别性方面仍不如人类绘制的图画，这一差距可以部分地被不同的视觉策略所解释。
怎么检测一张人脸照片是不是AI生成的？
一项研究聚焦于区分真实面部和AI生成的面部，通过仅关注面部特征，展示了一种更具弹性和通用性的检测方法，可以检测来自各种生成对抗网络和扩散基础合成引擎的AI生成面部，同时适用于多种图像分辨率（低至128x128像素）和质量。
人机协作能提高AI生成图像的检测准确率吗？
是的。研究发现，在训练时使用人类指导的AI能提供更好的图像分类支持；同时，向人类操作员提供合成图像检测模型的决策或热点映射，可以提高模型的分类准确性并增加人类操作员的信任感，从而提升人机合作的效果。
训练数据里加入合成艺术品，能帮助识别伪造的艺术品吗？
可以。研究以梵高绘画为重点，发布了首个专门用于检测伪造艺术品的数据集，并使用稳定扩散和StyleGAN生成的图像训练分类器，发现额外的合成伪造品能够稳定提高对人造伪造品的检测能力，也能有效检测AI生成的伪造品，特别是使用类似生成器生成的伪造品。
生成式AI对艺术创作有什么影响？会取代人类艺术家吗？
生成式AI模型对艺术创作有影响，重点关注了不正当使用艺术家作品的问题以及市场利益转移。但若应用得当，AI生成模型有潜力成为艺术的一种积极的新方式，不会取代或损害现有的艺术家。
AI生成模型在视觉创作中有哪些潜力和伦理挑战？
一篇文献综述指出，AI生成模型在静态和交互媒体中具有简化视觉创造流程的巨大潜力，并对多个重要产业产生影响。同时，也带来了技术和伦理方面的挑战，涵盖AI文本到图像生成、Midjourney、Stable Diffusion、AI伦理、游戏设计、数字艺术和数据洗白等方面，需要通过适当的监管解决相关的法律、伦理等问题。
