AI 图片检测器的工作原理：元数据、噪点与痕迹

AI 图片检测器寻找的是生成器和相机留在文件内部的证据。本文介绍我们的 AI 图片检测器 合成为单一评分的四组信号 — 以及这项技术的能力边界。

信号一：元数据指纹

图片文件包含的不仅是像素。JPEG 内嵌 EXIF 块；PNG 携带文本块；较新的格式可能包含 C2PA 溯源清单。

• 生成器会签名。 A1111 和 ComfyUI 会把完整的生成提示词、种子和采样器写进 PNG 文本；Midjourney、DALL·E、Firefly 等会嵌入创建者字符串。发现这类签名几乎是确凿证据。
• 相机也会签名。 EXIF 的 Make/Model 字段（如 Canon EOS R5、iPhone 15 Pro）是真实拍摄的有力证据。
• 缺失只是弱信号。 社交平台上传时会剥离元数据，所以干净的文件并不是 AI 的证据 — 只是一条线索。

信号二：传感器噪点

相机传感器是物理设备。光子撞击硅片会产生随亮度增加、在画面中分布不均的噪点。扩散模型没有传感器：它们的噪点要么缺失（过度平滑的区域），要么在统计上均匀分布。

检测器测量图像模糊处理后残留的高频残差，然后测试该残差与局部亮度的相关性。正相关是真实传感器的特征；相关性平坦则是合成的特征。

信号三：纹理与边缘统计

AI 生成器优化的是一眼可信，而不是像素级的物理一致性。这会产生一种典型的混合模式：

• 焦点区域过度精细（面部、眼睛、饰品）；
• 平坦区域异常平滑（背景、皮肤、天空），梯度接近零；
• 边缘统计不同于镜头虚化 — 扩散模型的锐利是画出来的，不是光学形成的。

测量局部对比度分布和完全平坦像素的占比，就能暴露这种模式。

信号四：颜色统计

相机图像处理管线（去马赛克、色调映射）会产生丰富且略带噪点的调色板。扩散模型在平坦区域产生更平滑的渐变和更窄的有效调色板。统计量化后的独特颜色数量、测量直方图平滑度，即可量化这种差异。

为什么没有检测器能 100% 准确

每种信号都可能被欺骗：

• 压缩和缩放会破坏噪点模式，让真实照片显得像合成的；
• 后期处理（降噪、超分、滤镜）会抹去生成器的痕迹；
• 更新的模型学会了模拟传感器噪点，差距正在缩小。

这就是为什么负责任的检测器会给出概率和证据明细，而不是非黑即白的结论。元数据信号命中时可信度很高；只有像素统计可用时，请把评分当作重要参考，并核实图片来源。

亲自试试

建立直觉的最好方法是动手实验：分别扫描一张相机照片、一张 Midjourney 渲染图、一张经过社交平台压缩的截图。我们免费的 AI 图片检测器 会展示每张图片的完整信号明细 — 由于它完全在浏览器中运行，你的图片永远不会离开你的设备。