微观缺陷暴露宏观伪造：基于局部分布偏移的AI生成图像检测 Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts

MDMF 的训练与推理按 Algorithm 1、2 执行。训练阶段（Algorithm 1）：输入真图集 $S_{\text{tr}}^\mathbb{P}$ 与生成图集 $S_{\text{tr}}^\mathbb{Q}$、投影头 $\phi_\theta$、深度核 $k_\omega$、正则化系数 $\lambda$ 与学习率 $\eta$；初始化 $\omega=\{\theta_0,\gamma_0\}$；每个 step 采样 mini-batch $\{x_b\},\{y_b\}$；用冻结的 DINOv2 抽 patch 嵌入后用 $\phi_\theta$ 得到 PFS 矩阵 $Z_\theta(x_b)\in\mathbb{R}^{K\times d}$ 与 $Z_\theta(y_b)$；按式 (3) 算无偏 $\widehat{\text{MMD}}^2_u$ 与备择方差 $\hat{\sigma}^2_{H_1}$；按式 (5) 最大化 $J_\lambda = \widehat{\text{MMD}}^2_u / \sqrt{\hat{\sigma}^2_{H_1}+\lambda}$ 并用 Adam 联合更新 $\theta$ 与 $\gamma$；输出 $\phi_{\theta^*}$ 与 $k_{\omega^*}$。推理阶段（Algorithm 2）：输入参考真图集 $S_{\text{ref}}^\mathbb{P}$、测试集 $S_{\text{te}}$、训练好的 $\phi_{\theta^*}$ 与 $k_{\omega^*}$、阈值 $\tau$；先用 DINOv2 与 $\phi_{\theta^*}$ 抽取参考集的 PFS；对每个 $\tilde{y}$ 计算 PFS 矩阵 $Z_\theta(\tilde{y})$，按式 (6) 计算 $S_{\text{MDMF}}(\tilde{y}) = \frac{1}{R^2}\sum_{r,r'}[k_{\omega^*}(x^{(r)},x^{(r')})+k_{\omega^*}(\tilde{y},\tilde{y})] - \frac{2}{R}\sum_r k_{\omega^*}(x^{(r)},\tilde{y})$；按式 (7) 用阈值 $\tau$ 输出二分类决策 $\mathbb{I}(S_{\text{MDMF}}(\tilde{y})>\tau)$。实现细节方面：主实验用 DINOv2 ViT-L/14 作为特征抽取器，patch 大小 $W=32$，训练用随机裁剪与水平翻转，测试用中心裁剪，无其他数据增强。

MDMF 在技术新颖性上有三个值得重点关注的贡献。第一，把「局部稀疏缺陷 → 全局判别」这一难题形式化为「patch 集合分布的双样本检验」，并以 PFS 嵌入 + 深度核 MMD 完整实现，这是首个把核化分布检验系统引入 AI 生成图像检测的工作（与 PatchCraft、NPR、FatFormer 等 patch 分类方法在范式上有本质区别）。第二，理论分析链条完整：Proposition 2.4-2.5 给出 PFS 与全局池化的均值偏移比、Proposition 2.6 给出 PFS 空间下 MMD 平方与 $\|\Delta_{\text{PFS}}\|^2$ 的单调正比关系、Theorem 2.7 进一步给出有限样本浓度保证并对真/生两类分别给出 MMD 上界与下界——这种「从假设到算法到统计保证」的全链条形式化在 AI 生成图像检测论文中较为罕见。第三，标签反演实验（图 1）与 Grad-CAM 可视化（图 5）共同提供了定性证据：PFS 让真图的注意力更分散、生成图的注意力更集中于局部伪影，决策不再被语义主导。这一点在已有 patch 方法（PatchCraft 等）中并未显式验证。

独立分析可观察到几个可改进的弱点。第一，参考集选择缺乏自适应机制：MDMF 推理时需要一张「参考真图集合」$S_{\text{ref}}$ 来构建原型分布，这在实际部署中并不自然——若用户手上只有待检测图像，参考集从何而来？论文未讨论冷启动场景或参考集动态选择策略，未来可以引入参考集自适应采样或聚类中心来缓解。第二，PFS 投影是单一 MLP，未考虑多尺度 patch 融合：现代生成器的局部伪影尺度跨度大（可能是 8×8 的高频噪声也可能是 64×64 的语义错位），单尺度 PFS 可能漏掉某些尺度的关键信号，未来可以加入多尺度 token pyramid 或层级 PFS。第三，深度核的带宽 $\gamma$ 与投影头 $\theta$ 是联合优化的，但 $\gamma$ 是标量、表达能力有限，可考虑换成多尺度混合核或加性核以更好刻画多模态生成痕迹。第四，论文未涉及「生成器已知」与「生成器未知」两种设置的对比：Table 1 看上去是「同分布训练同分布测试」的结果，对跨生成器泛化的细致分析还有空间（GenImage 基准里其实有相关结果但论文主表未突出）。第五，MMD 作为分数时其绝对值缺乏直觉解释，部署时阈值 $\tau$ 的选取依赖验证集，未来可以引入概率化输出（如 permutation p-value）以提升可解释性。

作者在结论中并未显式列未来工作，但根据论文成果可以延伸出几个方向。第一，把 MDMF 推广到时序检测：当前 PFS 是空间 patch，自然可拓展为「时空 patch PFS + 时序 MMD」以处理视频检测，OpenSora 案例已暗示了这种可行性。第二，跨模态参考集：当前参考集必须是「同域真实图像」，未来可探索用扩散反演把任意测试图反解为「重建图」作为参考，从而摆脱对参考集的依赖。第三，自监督 PFS：当前 PFS 依赖「真图 vs 生成图」监督对，对新生成器需要重新训练；可以探索只用真实图像自监督训练 PFS，再用 MMD 偏离度作为生成痕迹的 zero-shot 指标。第四，与法证学融合：MDMF 给出的 PFS 分布与 MMD 分数可与频域伪影分析、噪声残差、压缩指纹等多模态取证线索融合，构建更全面的法证证据链。第五，可解释性增强：目前 Grad-CAM 仅展示「图像层」注意力，未来可以可视化 patch 级 PFS 与 MMD 贡献度，定位具体哪些 patch 提供了判别证据，这对实际法证应用至关重要。第六，效率优化：当前检测需要一次前向抽 patch 嵌入 + 一次 $\mathcal{O}(R^2)$ 核矩阵计算，$R$ 较大时推理较慢，可以用 Nyström 近似或随机 Fourier 特征加速。

复现评估方面，论文标注了「—」的 venue，代码与项目页可见 https://zbox1005.github.io/MDMF-project/，开源情况需进一步访问项目页确认。数据方面，主实验训练用 ImageNet 训练 split（具体子集未在正文说明，需查附录），测试用 ImageNet、LSUN-Bedroom、GenImage、WildRF、LDMFakeDetect 五个公开基准，OpenSora 案例额外抽 32,750 帧（每视频 10 帧），这些数据均公开。算力方面，主干网络为 DINOv2 ViT-L/14（~300M 参数），单卡 A100 级别的 GPU 即可训练；PFS 投影是轻量 MLP，参数开销很小；但全表（9 类生成器 + 多种扰动 + 多粒度消融）跑完需要数十到数百 GPU 小时。复现难度：中等偏上，主要难点在 (1) DINOv2 patch 抽取与 pooling 到 W=32 的具体实现细节、(2) MMD 检验功效目标 $J_\lambda$ 的实现与方差 $\hat{\sigma}^2_{H_1}$ 估计的数值稳定性、(3) patch 粒度 W、参考集大小 $R$、阈值 $\tau$ 的选取。建议复现顺序：先复现 Table 2 消融（数据集小、变量少），再复现 Table 1 ImageNet 9 类，最后复现鲁棒性与 OpenSora。