AI 生成图的水印检测靠什么?频域特征与隐形标记
一个实际困惑:甲方问”这张图是不是 AI 生成的”,肉眼往往看不出来;有人以为把角落的可见 logo 裁掉、另存一次格式就没事了。
要回答它,先分清两类东西:生成过程自带的痕迹,和人为嵌入的标记。前一类删不掉,后一类才涉及”检测”。
第一步:生成图在频域里会留下规律性伪影
把一张图做傅里叶变换(FFT),得到的频谱描述的是”各种空间频率各占多少能量”。实拍照片经过镜头、传感器、去马赛克和压缩,高频部分带着一套由光学与硬件决定的、略显杂乱的衰减模式;而扩散模型和 GAN 生成图是靠反复上采样(反卷积 / 插值 + 卷积)把低分辨率特征图放大的,这个操作会在频谱里留下周期性的峰值,常见表现是固定间隔的亮点或网格状条纹,也就是俗称的”棋盘格伪影”。
一个可自己动手的检查方法:取灰度图 → 二维 FFT → 把幅度谱取对数并居中 → 沿半径方向做方位平均,画出”频率—能量”曲线。生成图在中高频段常出现异常凸起或规律性尖峰;再叠加一层高通滤波,把周期性纹理放大看,比盯着原图找破绽有效得多。这类检测不需要模型配合,属于被动取证。
第一个可操作结论:可见水印可以裁,频域伪影裁不掉。 裁切、缩放只改变坐标,不改变上采样留下的频谱结构。
第二步:传感器噪声是另一条硬线索
实拍图每个像素都带着传感器的固定模式噪声(PRNU,光响应非均匀性),像相机独有的指纹,统计上稳定。生成图没经过物理传感器,也就没有这层噪声;即便后期人为加了噪点,也多是均匀随机的,做去噪残差分析后与真实 PRNU 对不上。
工程做法:用小波或引导滤波把图分成”结构层”和”残差层”,检查残差的空间相关性。实拍残差有固定的低频起伏与像素级偏置,生成图残差要么过于干净,要么是合成噪声的均匀分布。这条线索在 JPEG 二次压缩后仍有一定存活率,常作辅助判据。
第三步:主动嵌的隐形水印,才是”稳”的那类
真正可追溯的是生成端主动写入的标记,主流有三层:
- 像素/潜空间扰动水印:在生成时往特定频带叠加一层人眼不可见的微弱信号(幅度通常控制在 PSNR 40dB 以上,肉眼看不出差别),编码一段几十到上百 bit 的标识。检测时用对应的密钥做相关运算,把这段信号从噪声里提出来。因为扰动分布在全图中低频,裁掉一角、缩放到 50%、JPEG 压到质量 70 左右,通常仍能解出。
- 元数据签名:C2PA / Content Credentials 一类,把生成工具、时间、是否经过 AI 处理写进文件头并做数字签名。优点是可读、可验证来源;缺点是极脆弱——截图、微信转发、转格式、多数平台重编码都会把元数据整段丢掉。
- 模型级指纹:训练时让模型输出自带某种统计偏好,检测靠分类器识别。不依赖任何附加字段,但属于概率判断,存在假阳性。
三者互不替代:扰动水印负责抗处理,元数据负责可解释的溯源,指纹负责没有前两者时的兜底。
第四步:检测流程怎么排才不误判
单靠一个分数下结论很容易翻车——实拍图经重度磨皮、超分、AI 修图后,频域特征也会变得”像生成的”。合理的顺序是:
- 先读元数据:有签名且验证通过,直接给结论,不必再做统计推断。
- 再做扰动水印解码:有密钥就做相关检测,这一项是确定性的,命中即可确认。
- 然后跑频域与残差检查:把 FFT 曲线异常、周期性峰值、PRNU 缺失作为特征。
- 最后用分类器给概率,并留人工复核:输出”疑似”而非”判定”,对边界样本(0.4~0.6 区间)单独标记。
任何一步之前都要先记录文件的压缩与编辑历史:两次 JPEG、一次缩放、一次截图,都可能把弱信号抹掉,把”未检出”错读成”非生成”。
在 AI广告制作 的交付里,我们更倾向把功夫花在前面——保留生成台账、记录模型版本、对需申报的素材主动声明,而不是等下游判定,省去举证成本。
第五步:给内容团队的三条实操建议
其一,别把”去掉可见水印”当成合规动作,可见标记和隐性标记是两套东西。其二,保存原始出图文件,二次编辑会削弱检测信号,也破坏自己的溯源证据。其三,把生成记录纳入交付清单:提示词、模型版本、seed、生成时间加原始文件 hash,比事后鉴定可靠。
结语
AI 生成图的检测,靠的不是角落里的 logo,而是频域周期性伪影、缺失的传感器噪声,以及生成端写入的隐形标记。前两类是”痕迹”,被动取证能看;后一类是”签名”,需密钥才能解。
理解这套机制,意义不在绕过检测,而在把来源讲清楚。想看这类可追溯性在 AIGC制作公司 的交付里怎么落台账,可以翻我们的其他实操笔记。