AIGC检测怎么破？六款降AI工具实测对比与选择指南
2026/10/21 6:44:57
前言
在前面两篇文章之中，我们大致介绍了有序损坏实验在跨域的强力效应，并且初步地制定了一些门槛用来筛选是否保留顺序差异。
可能读者心里早就有这样一个问题了：那拿数据集训练又不是每张图训练一次够了，我所说的顺序差异可能早就埋没在大量训练次数的大量退化中了，研究这个对实际训练真的有帮助吗？
对于这个疑问，我持保留意见。这次试验，我回答这个问题：如果这种影响不可避免的话，是否可以设置一种操作使模型输出一致从而消除顺序影响？
Baseline草稿
先初步定下四组对照：
| 组 | 训练时看到什么 | 这个组回答的问题 |
|---|---|---|
| T0 | 干净单视图 | 普通干净训练的参考水平 |
| T1 | 一种损坏顺序 | 单方向退化训练本身有什么影响 |
| T2 | AB 和 BA 两种视图 | 成对增加数据后会怎样 |
| T3 | 与 T2 相同的视图，再加一致性损失 | 在相同数据上，额外要求两个输出一致是否有帮助 |
训练配置：VOC2007 trainval 上训练 yolo11n，三个种子（20260811 / 20260812 / 20260813），每组 30 epoch。训练完观察T3-T2的差值能看到设置的一次性操作是否生效，T2-T1则能大致看到见过全顺序的模型是否能消除顺序影响。
实验设计
对于T1T2的比较问题，很容易实现，照常训练就行。对于T3的一致性输出的额外要求，则需要再设计。
类别比较——JS散度
众所周知，YOLO架构将最后的类别检测转化为了一个概率分布预测问题。那么，使用JS散度就很适合T3的设计。
框比较——smooth-L1
L1：
smooth-L1:
将二者以正则化的方式加到损失函数的尾部，参与损失函数的计算，并且将二者乘以权重：
sg表示冻结梯度，c是置信度。冻结梯度是为了避免模型在学习过程中为了降损失而降低置信度。（没接触过这些的我会在文末介绍）
同时更新复合门槛：
| 门槛 | 要求 |
|---|---|
| 平均 corrupted AP50-95 增益 | ≥+0.005 |
| 95% bootstrap 下界 | > 0 |
| 正种子数 | ≥ 2 / 3 |
| clean AP 非回归 | 不低于-0.002 |
| 最差主 cell 非回归 | 不低于-0.002 |
| 配对推理延迟 | 落在预设范围内 |
最终跑出来的结果，主估计量是T3−T2 的种子均值AP50-95：
| 种子 | 退化图上差值 [95% CI] | 干净图上差值 | 最差差值 |
|---|---|---|---|
| 20260811 | −0.00017 [−0.00393, +0.00359] | +0.00114 | −0.00167 |
| 20260812 | −0.00565 [−0.00952, −0.00196] | −0.00820 | −0.00937 |
| 20260813 | +0.01010 [+0.00625, +0.01456] | +0.01257 | +0.00674 |
| 均值 | +0.00143 | +0.00184 | −0.00937 |
可以看到后两者都没有过制定的门槛，也就是说一致性正则失败了，收益很小。那么，是不是因为有序影响本就在训练中削弱，本身上限就不高导致的收益不大呢？
| treatment | seed 20260811 | seed 20260812 | seed 20260813 |
|---|---|---|---|
| T0（干净） | 0.191 | 0.193 | 0.198 |
| T1（单方向损坏） | 0.138 | 0.136 | 0.137 |
| T2（成对双向） | 0.090 | 0.087 | 0.082 |
| T3（成对 + 正则） | 0.091 | 0.078 | 0.095 |
由此可见，顺序影响并没有消失在正则化制定的策略下，从这个角度证明顺序影响的力量比我们想象的更加深沉，需要另辟蹊径。
局限性
有一说一，不知道各位注意到T2相对于T1接近腰斩的数值没有。这解释了本项实验的一个最大漏洞：损坏图过于多，占比甚至反超了干净图，喧宾夺主了。因此，本项实验只能作为一个参考建议。
【附】JS散度与smooth-L1
A.1
普通监督学习是：
图片 + 标签 → 模型 → 预测 → 和标签比 → 算损失 → 更新参数但很多场景没有标签，或者标签很少。这时还有一个可利用的假设：
同一张图，稍微扰动一下，模型的输出不应该发生剧烈变化。
比如同一张猫图：
- 原图 → 模型说“猫”；
- 加一点噪声 → 模型还应该说“猫”；
- 换个亮度 → 模型还应该说“猫”。
如果模型对“猫图 + 噪声”突然说“狗”，说明它的表示不稳定。一致性正则就是把这个“不应该变”的直觉写成损失函数。
通用形式：
：有标签时的常规损失；
：无标签时，比较两个扰动视图的输出；
：控制一致性约束的强度。
它不需要新标签，只需要同一输入的两个版本。
A.2
| 方法 | 两个视图怎么来 |
|---|---|
| Π-model | 同一张图做两次随机增强 |
| Mean Teacher | 学生网络看增强图，教师网络看另一版本 |
| FixMatch | 弱增强 + 强增强 |
| V7-B / V7-C | 同一张图，交换退化处理顺序（AB / BA） |
前三个是半监督学习的标准做法；V7 只是把“扰动”换成了“处理顺序”。
A.3
模型对一张图输出类别概率，比如：
视图 AB：猫 0.9，狗 0.1 视图 BA：猫 0.8，狗 0.2这两个分布很接近。要衡量“接近程度”，先看 KL 散度：
KL 有两个问题：
- 不对称：
；
- 会爆：如果 P_c>0 而 Q_c=0，直接无穷大。
JS 散度先取两个分布的中间点：
再分别算两边到 M 的 KL，取平均：
性质：
- 对称：
；
- 有界：自然对数下，范围是
；
- 完全一样时为 0。
数值例子 1：两个分布很接近。
数值例子 2：两个分布完全相反。
接近上界。
所以 JS 就是一个“两个概率分布差多远”的分数：0 表示完全一致，越大越不一致。训练时把它当损失最小化，就是逼两个视图的类别预测靠近。
A.4
类别是概率分布，框是四个连续坐标。框不能也用 JS，因为框不是概率分布。
直接用 L2：
问题是 L2 对大误差惩罚太重。一个离群框会产生巨大损失，把训练带偏。
L1：
L1 对离群值更稳，但在 0 附近不可导，训练不够平滑。
smooth-L1 是两者的折中：
- 误差小：像 L2，平滑；
- 误差大：像 L1，不被离群值拖走；
是切换点，代码里取
。
数值感受一下（）：
| 误差 x | L2 | L1 | smooth-L1 |
|---|---|---|---|
| 0.05 | 0.0025 | 0.05 | 0.011 |
| 0.50 | 0.25 | 0.50 | 0.444 |
A.5
检测输出是密集的：特征图上每个位置都有预测，但大部分位置是背景。
如果对所有位置一视同仁，背景位置会稀释前景的约束。所以 V7 乘了一个权重：
：该位置的平均 sigmoid 置信度；
- 置信度高 → 更像前景 → 权重大；
- 置信度低 → 更像背景 → 权重小；
，停止梯度。
为什么要停止梯度？如果不停止，模型会发现一条捷径：
把置信度整体压低 ↓ 权重 w 变小 ↓ 一致性损失变小这样一致性损失确实下降了，但不是因为两个视图变一致，而是因为模型把权重关掉了。stop-gradient 让 w 只作为“选择位置”的系数，不参与梯度，堵住这条捷径。
A.6
一致性损失和检测损失的数值尺度可能差很多。直接相加会有两种风险：
- 一致性损失太大 → 模型只顾“拉一致”，忘了检测；
- 一致性损失太小 → 正则几乎不起作用。
所以加一个校准系数 c：
c 在正式训练前用一小批数据估计：
假设初始时：
那么：
一致性项变成：
占检测损失 2 的 25%。这就是“初始占比不超过 25%”的含义：先让模型学会检测，再逐渐受一致性约束。
A.7
V7-B 的 T3：
类别项对所有位置取平均；只有框项乘权重。
V7-C 的 T4：
类别项也乘权重，让前景位置主导。
A.8
核心不是公式写错，而是目标错位：
- 一致性损失只要求“两个视图接近”，不要求“接近正确答案”；
- 两个坏视图可以一起变差来满足一致性；
- 训练集里损坏视图占比太高，clean AP 从约 0.19 掉到约 0.09。
一句话：
一致性正则是“让两个输出别差太远”，不是“让输出变对”。