近日，华盛顿大学圣路易斯分校麦凯尔维工程学院计算机科学家团队在Nathan Jacobs教授指导下，联合橡树岭国家实验室研究员成功开发出名为SimLBR的新型人工智能图像检测模型。该成果已在本月召开的IEEE/CVF计算机视觉与模式识别会议上展示，并同步发表于arXiv预印本平台。 面对生成式AI图像日益逼真、传统依赖像素级训练的检测方法面临算力瓶颈的挑战，该团队创新性地采用潜在空间学习策略。模型通过基础网络将图像压缩为一千零二十四维向量，仅需在低维空间中识别真实图像的自然分布特征。训练过程中，系统会在真实图像中随机注入微量虚假图像信息，迫使模型构建更紧凑的决策边界。此举不仅使检测逻辑从识别特定伪造痕迹转向判定数据是否偏离真实分布，显著提升了模型对未知生成算法的泛化能力。 实验数据显示，SimLBR在单张图形处理器上的训练耗时不足三分钟，相较于业界前沿方案所需的两小时八卡算力，大幅降低了计算成本与时间开销。研究团队提出可靠性与最坏情况性能双重评估指标，验证了该架构在应对新型AI生成工具时的稳健性。该成果为遏制深度伪造信息传播提供了高效、低成本的底层技术支撑，标志着图像鉴伪技术向高效化与强泛化方向迈出关键一步。