产品简介
Effort-AIGI-Detection 这是ICML 2025论文的官方实现，名为Effort。它通过提出一种高效且即插即用的方法，解决了现有AI图像检测器泛化能力不足的问题，能帮助研究者和开发者有效识别由AI生成的图像，包括人脸深度伪造。
核心功能
- 即插即用集成到ViT模型（如CLIP）
- 提升AI生成图像检测的通用化能力
- 提供量化模型过拟合程度的分析工具
- 支持Windows、macOS、Linux跨平台使用
- 提供在不同数据集上训练的预训练模型下载
快速开始
- 安装依赖：运行脚本 `sh install.sh`
- 下载预训练模型：从提供的Google Drive链接下载对应任务的权重文件
- 运行推理：使用命令行工具对单张图片或文件夹中的图片进行检测
界面预览
与其他方案对比
| 对比项 | Effort-AIGI-Detection | 同类方案 |
|---|---|---|
| 泛化能力 | 强调方法的通用化，能检测多种未知生成器产生的图像 | 常见检测器可能在特定生成器上过拟合，对新生成器泛化能力较弱 |
| 集成方式 | 方法可即插即用，作为模块插入现有大型视觉模型 | 可能需要针对特定模型架构进行定制或重新训练 |
适合谁用
- 专注于人脸深度伪造检测的研究者
- 进行AI生成图像安全分析的技术人员
- 需要甄别AI生成内容（如用于媒体审核）的从业者
下载与版本
当前最新版本为 main，发布于 。支持 Windows、macOS、Linux。
⚠️ 注意：本项目仅提供源代码下载，不包含可直接运行的安装包（exe/dmg/apk 等。下载后需要自行编译构建才能使用，适合有一定开发经验的用户。如果你不熟悉编译流程，建议寻找同类开箱即用的替代方案。
注意事项
- 本工具仅供学习和研究使用，请遵守相关法律法规。
- 请尊重内容创作者版权，勿将下载内容用于商业或非法传播。
- 项目源码地址：https://github.com/YZY-stack/Effort-AIGI-Detection