最近,扭曲或构成生成模型的事实的图像已成为社会知识。要应对一般人工智能(AI)模型的连续演变,模型归因(MA)是必需的,而不仅仅是鉴定合成图像。但是,必须从头开始培训当前基于深度学习的MA方法,以识别既耗时又耗时的模型。这项工作提出了一种新的策略,以处理持久新兴的生成模型。我们适应了少数拍摄的类侵入学习(FSCIL)机械性,以发现新的生成AI模型。与现有的FSCIL方法使用高级插入式对象分类的方法不同,MA需要分析综合图像中的颜色和纹理等低级细节。因此,我们利用夹子vit特征的不同利益来利用可学习的表示形式。为了学习有效的代表,我们提出了自适应集成模式(AIM),以计算每个图像的夹子vit块特征的加权总和,从而增强了对识别生成模型的ABIL。广泛的实验表明,我们的方法有效地从先前的生成模型扩展到最近的生成模型。
主要关键词
![arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第1页](/bimg/6/6e752289bdd378ebf179536fee7cbf405ee7d3c4.webp)
![arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第2页](/bimg/a/a81c38b3823bb948c835edbbe95e6c4b20ad2a28.webp)
![arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第3页](/bimg/2/24f62bce1488300a4ca682f60c5c463020bece01.webp)
![arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第4页](/bimg/1/1d417f8d0b69d9386f06540d11f3650bd44aad7b.webp)
![arxiv:2503.08148v1 [CS.CV] 2025年3月11日PDF文件第5页](/bimg/9/969965e43e3a61af723029348b78d77df440c29a.webp)
