前言：近期，由本人撰写的《人工智能生成图像检测技术综述》已在中国图象图形学报官网出版，该综述涵盖该领域2025年2月前的100余篇研究工作，便于同行查阅文献信息，感兴趣的伙伴们可以自行检索，论文链接如下：
https://cjig.cn/zh/article/doi/10.11834/jig.250053/
以下是对该综述的简要介绍。

摘要：人工智能生成图像检测，旨在判断图像是否由生成模型生成，是人工智能安全与治理领域一个重要研究方向。然而，当前生成图像检测方法因生成模型结构的多样性、生成图像的复杂性以及对生成图像后处理操作的不确定性难以实现高效和鲁棒检测。早期的检测方法重点关注对生成对抗网络生成内容的检测。近年来，扩散模型生成图像的检测受到了广泛关注，与之相关的检测方法涌现，并表现出了优越的性能。因此，本文首先对近年来的主流图像生成模型进行了梳理，然后从监督范式、学习方式、检测依据、骨干网络、技术手段和可解释性多种维度对现有生成图像检测方法进行分类，并以检测依据（像素域特征、频域特征、预训练模型特征、融合特征和特定规则）作为主要划分标准，对各类研究工作的基本思想与特点进行详细阐述与综合分析。此外，本文列举了当前用于通用生成图像检测的基准数据集，从数据集结构和规模等方面进行了综合比较，并对面向检测方法的综合评测基准进行了汇总。关于评估维度，从域内准确性、域外泛化性和鲁棒性三个层面进行了介绍。之后，本文对代表性检测方法进行了横向比较，就检测结果进行了分析。最后，本文对当前生成图像检测领域待解决的问题进行了总结，并对未来的研究方向进行了展望。

以下是论文中的配图和表格

⚠️：综述全文在这里啦，感谢大家的持续关注，今后博主将会带来更多检测与溯源领域的相关研究进展～