MiraGe：面向可泛化 AI 生成图像检测的多模态判别表征学习

基于摘要分析。本文研究真实图像与 AI 生成图像的区分，重点解决检测器面对未知生成器时泛化性能下降的问题。作者提出 MiraGe，通过增强类内特征一致性和类间分离，并结合 CLIP 的多模态提示学习，学习生成器不变的判别表征。 核心机制是压缩同类样本的表征差异，同时扩大不同类别之间的间隔；多模态提示学习将文本嵌入用作语义锚点，把上述判别原则引入 CLIP。摘要将已有方法跨生成器性能下降与特征嵌入重叠联系起来，但具体理论条件、损失形式、提示构造、训练参数范围及监督组织方式尚未验证。 作者报告，在多个基准的跨生成器评估中，MiraGe 达到最先进性能，并对 Sora 等未见生成器保持鲁棒性。摘要未提供基准名称、具体指标、数值、训练与测试划分或对照细节，因此无法判断提升幅度及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其“类内紧致、类间分离与语义锚点结合”的思路可能对应 EEG 跨被试或跨会话中的表征漂移，但这是迁移假设，不是本文已验证的 BCI 贡献。原方法依赖图像—文本表征和 CLIP，不能直接视为 EEG 编码方案；可考虑复用判别约束与锚点设计，EEG 编码器、任务语义描述和对齐方式则需改造。低信噪比、被试差异、通道不一致及小样本可能使强制类内压缩抹除有用差异，文本语义也未必对应 EEG 的可分信息。一个可证伪的小实验是在固定 EEG 编码器和跨被试划分下，对比基础分类训练、加入判别约束及再加入语义锚点的设置，检验增益是否稳定。已有 EEG 相关工作尚未检索确认。