图片是不是AI生成的？我用开源工具实现了8种检测算法

写了个开源项目，纯离线检测图片是不是AI生成的，今天来分享一下工具背后使用的算法。

背景是这样的，现在网上的图片真真假假根本分不清，有时候自己用 API 生图的时候也不知道它背后是否把模型掉包了，一是需要识别是否为 AI 生成，二就是判断是哪家 AI 生成的。

这个工具叫 apimart-cli，我开源在 GitHub 上了。它本来是一个对接 OpenAI/OpenRouter 的 API 客户端，后来我给它加了一个 detect 命令，离线检测图片是不是 AI 生成的。不需要联网，不需要 API Key。

它到底怎么实现的呢？这篇文章就说说背后的八种检测信号。

AI 生成的图片都有一定之规，它和真实照片区别还是挺大的，主要是三个层面。

第一层，元数据层面。AI 工具生成的图片，大部分会在文件里写入一个"身份证"，标注"这张图是 AI 生成的"。比如 OpenAI 的 DALL-E、Google 的 Imagen，都在遵循 C2PA 标准。这是最直接的证据。

第二层，像素层面。AI 模型生成的图像，在像素上会有统计学上的"特征"——比如噪声分布太均匀、高频成分太规律、或者 JPEG 压缩的参数不标准。这些痕迹肉眼看不出来，但算法能。

第三层，模型层面。用 AI 来检测 AI——训练一个视觉模型，让它见过海量 AI 图和真实照片，然后让它判断新的图更像哪一边。

我的 detect 命令把这三层拆成了 8 个信号，加权融合，最终输出一个 0-99% 的置信度评分，配一个 emoji。🟢🟡🟠🔴🤖，一目了然。

铁证信号：C2PA 和 TC260

这是"一票否决"的信号。

C2PA 全称 Coalition for Content Provenance and Authenticity，一个行业标准联盟，成员包括 Adobe、Microsoft、OpenAI、Google 这些。它的做法是给图片嵌入一份防篡改的元数据，记录"谁用哪个软件生成的这张图"。

从 PNG 或 JPEG 的元数据里读到 C2PA manifest，如果里面写着 Source: AI Generated，基本就是实锤了。

另一个是中国的国家标准 GB 45438-2025，也叫 TC260 AIGC 标签。字节跳动的豆包、智谱的 GLM、百度的文心一言，生成图片时都会写入这个标签。我维护了一份 ContentProducer 编码对照表，能直接查出是哪家厂商生成的。

这两个信号只要命中一个，直接输出 🤖 99%，不再看其他信号。

SynthID 推断

Google 的 SynthID 是一个不可见水印技术，嵌入图片像素里，人眼看不出，但算法能检测出来。

但问题是 Google 没有公开 SynthID 的解码算法。我这里取了个巧——通过 C2PA 的 Vendor 字段来推断。

如果 C2PA manifest 里写着 Signed by Google 或者 Software: Imagen，就基本可以判定这张图带有 SynthID 水印。虽然不能 100% 确认，但结合其他信号，它是一个很强的参考。

Camera EXIF：还原真相反向信号

真实照片最大的特征是什么？有相机信息。

JPEG 的 EXIF 里记录了快门、光圈、ISO、镜头型号——这些数据是物理世界的痕迹，AI 不会自己生成。

解析 EXIF 花了我不少功夫。Go 的标准库不直接支持 EXIF 解析，得从 TIFF header 开始手写解析器，遍历 IFD 的各个 tag。代码里有 readExifCamera 这个函数，超过 100 行，干的就是这件事。

有相机信息会大幅拉低 AI 评分，没有的话会变成一条弱信号"没有相机 EXIF——很可能不是真实照片"。

ONNX ViT 模型：用 AI 检测 AI

这是最"硬核"的一条信号。

下载一个 ViT-Base 模型（86M 参数，327MB），通过 ONNX Runtime 在本地做推理。图片缩放到 224x224，经过双线性插值、归一化、转成 CHW 格式，喂给模型，得到一个 0-1 的概率值。

纯 Go 写的推理代码，零 CGO 依赖。我用的是 pure-onnx 库，只需要一个动态库文件（Windows 上是 onnxruntime.dll，Linux 上是 libonnxruntime.so，也有 Mac 版本）。

不过说实话，这个模型的准确率是没法作保证的，毕竟模型体量在那儿。不过它是来自 HuggingFace 上的开源模型，开源即正义。所以它的权重我设得中等（20 分），作为一个补充信号。

FFT 频谱分析：看图的高频能量

FFT 是傅里叶变换的意思，这个我比较得意，纯数学方法，不需要任何模型。

先把图片转灰度，缩放到最大 512 像素。然后用 Go 的 gonum/dsp/fourier 库做 2D FFT。

具体做法是行列分离法：先对每一行做一次 FFT，再对每一列做一次。结果是一个二维频谱图。

从频谱里提两个特征：

1. 高频能量比：空间频率最高的 30% 区域占总能量的比例。自然照片通常是 20-30%，AI 图可能偏高或偏低。

2. log-log 斜率：功率谱在对数坐标系下的衰减斜率。自然图像符合 1/f² 规律，斜率约 -2.0。GAN 生成的图斜率往往更平坦，约 -1.0 到 -1.8。

两个特征加权组合，得出一个 FFT 评分。

这一块的挑战是性能。一张 1024x1024 的图要跑两轮 FFT，复杂度 O(N² log N)。我加了降采样到 512 的逻辑，实测一张图几十毫秒搞定。比在线 API 检测一次几秒钟还是快了不少。

SRM 噪声残差

这是 Fridrich & Kodovský 在 2012 年提出的方法，来源于图像取证领域，原本是用来检测隐写的。

核心是一个 5x5 的高通滤波器矩阵：

卷积之后，图像的内容被抑制，剩下的是像素级别的"噪声残差"。然后计算残差的标准差和峰度。

自然照片的残差标准差通常在 0.02-0.08，峰度在 0-5。AI 生成的图要么过于平滑（标准差偏低），要么有周期性伪影（峰度偏高）。

把这两个指标映射到 0-1 评分，就是它的贡献。

JPEG 量化表分析

最后一个是 JPEG 特有的。

JPEG 文件里有一个 DQT（Define Quantization Table）标记，记录压缩时用的量化表。ISO 标准规定了 luminance 和 chrominance 的推荐值。

扫描 JPEG 文件的所有 DQT 标记，跟标准表做对比。允许 15% 的偏差（毕竟不同的编码质量会有微调）。

结果分几种情况：

• 量化表跟标准完全偏离 → 可能来自 AI 工具的自定义编码
• 多组量化表 → 可能被二次压缩过，真实照片编辑后保存常见
• 标准表 → 中规中矩

这个信号处理起来不复杂，几十行代码就搞定了，实测下来如果不加这个检测 JPG 图片的 AIGC 识别水平会降一大块，就还挺有用的。

8 个信号不是平均分配的。

我设计了权重体系：C2PA 和 TC260 权重 100（绝对权重），SynthID 和 Camera 权重 40，ONNX 和 JPEG 权重 20，FFT 和噪声权重 10。最后加权平均得出最终评分。

但说实话，这个权重分配是拍脑袋定的。我没有足够的标注数据来训练最优权重，只能靠人工拉一些样图来调参。有人脸的照片、有人工痕迹的、不同压缩质量的——拉了几十张图，调了一版觉得差不多就先发布了。

如果后续有人提供更多的测试数据，权重可以再优化。或者哪天我懒癌好了，写个自动化调参脚本。

最后说点别的。

我写这个 detect 功能的初衷，不是要造一个完美的 AI 检测器。事实上，没有任何 AI 检测器是完美的。OpenAI 自己提供的检测工具，也只支持 C2PA 和 SynthID 两种信号，换了其他厂商的图就抓瞎。

我的想法是：多一种信号，就多一分判断依据。

8 个信号凑在一起，单个信号可能误判，但多数信号指向同一结论的时候，可靠性就上来了。这也是为什么我做了融合评分，而不是让用户看 8 个独立的数字。

目前视频检测还没写，等后面补上。视频的帧间一致性分析、时间域伪影检测，又是另一套算法，感兴趣的朋友可以关注后续。

今天就写这么多，试试你的 AI 图能不能检测出来，测完了来留言区说说结果。