有点无聊，就玩了一下gpt图片的水印，整体思路就是生成纯白，灰，黑的图片，提取水印特征，目前截图，手机拍屏幕都还可以检测得到，但是由于数据集比较小，针对一些场景可能图片会误报，简单玩一下吧 watermark.aicc0.com AI 图片检测 13 个帖子 - 12 位参与者 阅读完整话题
之前加了太多好友没时间检测，求助求助求助 1 个帖子 - 1 位参与者 阅读完整话题
判断一张图片是不是 AI 生成，不能只靠一个"检测器分数"，也不能只靠肉眼感觉。早期 AI 图经常有很明显的问题，比如手指数量不对、文字乱码、眼睛奇怪、背景糊成一团。但现在的生成模型已经进步很多（指的就是你，gpt-image-2），很多图片在第一眼看来几乎没有明显破绽。 与此同时，真实照片也不总是"干净"的。真实照片经过微信转发、社交平台压缩、截图、滤镜、美颜、裁剪、转格式之后，也会出现噪声异常、细节丢失、边缘模糊、压缩痕迹、文字不可读等现象。这些现象有时会和 AI 图片的缺陷很像。 所以，"判断 AI 图片"不是一个简单的二分类问题。 它不应该被理解成： 输入图片 → 输出 AI / 真人 更合理的理解是： 输入图片 → 检查来源信息 → 检查文件和像素痕迹 → 检查视觉内容 → 检查物理一致性 → 检查统计模型信号 → 检查外部来源和事实 → 综合所有证据，给出风险判断 这篇文章的目的不是提供一个绝对可靠的"AI 图片鉴定公式"，而是提供一套分析思路：当我们面对一张可疑图片时，应该从哪些角度入手，哪些信号更强，哪些信号容易误判，以及最后应该如何表达结论。 一、先看来源：真正强的证据通常不是"看起来像" 很多人判断 AI 图片，第一反应是看画面有没有异常。但在真正的分析流程里，最应该优先检查的其实是来源证据。 所谓来源证据，指的是图片文件中是否携带了能说明它来源的信息，比如： EXIF Metadata C2PA / Content Credentials 相机型号 拍摄时间 编辑软件 生成软件 平台来源声明 签名信息 其中，最值得关注的是 C2PA / Content Credentials。它是一种用于记录内容来源和编辑历史的机制。如果一张图片带有经过验证的 C2PA 信息，并且其中明确声明它是由某个 AI 工具生成，或者经过生成式 AI 编辑，那么这会是非常强的 AI 来源证据。 例如，某些图片可能会记录： created by AI tool generated by model edited with generative AI produced by image generator 这种信息的价值远高于"看起来像 AI"。因为它不是从画面外观推测，而是来自图片的来源声明。 但这里有几个坑。 第一个坑是： metadata 很容易丢失 。 图片经过微信、微博、X、Instagram、小红书、抖音、网页压缩、截图再保存之后，EXIF 和其他 metadata 经常会被清除。一张真实手机照片经过几次转发后，可能什么相机信息都没有了。 所以： 没有 metadata ≠ AI 生成 第二个坑是： 普通 EXIF 不一定可信 。 EXIF 可以被修改。一个文件里写着某个相机型号，不代表它一定是那个相机拍的。普通 EXIF 更像是一个参考信息，而不是强证明。 所以： 有相机 EXIF ≠ 一定是真实拍摄 第三个坑是： 签名来源不等于最终结论 。 比如一张图片的 C2PA 显示 signed by 某个大公司，这只说明这份声明由某个签名方签署。真正要看的是声明内容：它说的是相机拍摄、普通编辑、生成式编辑，还是 AI 生成。 所以来源信息的正确使用方式是分级判断： 可信 C2PA 明确声明 AI 生成 → 强 AI 证据 可信 C2PA 明确声明相机拍摄 → 强相机来源证据 普通相机 EXIF → 弱到中等真人来源信号 出现 Photoshop / Lightroom / Canva 等编辑软件 → 说明可能被处理过，但不等于 AI 没有 metadata → 信息不足，不能直接下结论 换句话说，来源信息是第一优先级的证据，但它依然需要解释，不能机械使用。 二、再看文件和像素：水印、压缩、编辑痕迹只能说明一部分问题 除了来源信息，还可以检查图片文件和像素层面的痕迹。这一类分析通常包括水印、压缩痕迹、噪声模式、局部编辑痕迹等。 1. 水印：强证据和弱信号要分清 有些 AI 图像生成系统会给图片加入水印。水印大致分两类： 显式水印 隐式水印 显式水印很容易理解，就是图片角落有平台 logo、作品站标记、生成器名称，或者某些明显的标识。显式水印如果没有被裁掉，判断起来比较直接。 隐式水印更复杂。它可能隐藏在像素、频域或某些不可见特征里，人眼看不到，需要专门工具检测。例如有些 Stable Diffusion 生态工具曾经使用 invisible watermark，一些大平台也提出过自己的水印方案。 如果一个工具能够明确解码出可信的官方水印，而且水印内容和检测器来源都可靠，那么这可以是强 AI 证据。 但水印检测也很容易被误用。 很多时候，检测器并不是"确定解码出水印"，而只是发现一些频率模式"像水印"。这就有误检风险。尤其在图片经过下面这些处理后： 截图 微信压缩 社交平台重编码 裁剪 缩放 转格式 加滤镜 二次保存 多次压缩 图片的频域结构会发生变化，可能破坏真正的水印，也可能产生类似水印的伪信号。 所以水印结果最好分级理解： verified：明确解码出可信水印 probable：较可能存在水印，但证据不完全 suspected：疑似水印相似信号 not_detected：未检测到水印 unsupported：当前图片或检测器不支持 error：检测失败 只有 verified 才适合作为强证据。 如果只是 suspected ，就只能算弱证据。报告里应该写： 检测到疑似水印相似信号，但置信度较低，不能单独证明图片由 AI 生成。 而不是写： 检测到水印，所以这是 AI 图。 还要注意另一个方向： 没检测到水印 ≠ 不是 AI 很多 AI 工具不加水印，很多水印会在压缩或截图中丢失，很多平台也不会开放检测方式。所以水印只能提供正向证据，不能作为排除 AI 的可靠依据。 2. 压缩和编辑痕迹：它们更像"处理痕迹"，不是"AI 证据" 很多图片不是原始图，而是经过传播和编辑之后的版本。比如： 从社交平台保存 微信转发 截图再上传 从视频里截帧 经过美颜或滤镜 用 Photoshop / Lightroom / Canva 处理 从 PNG 转 JPEG 从 WebP 转 JPEG 多次重编码 这些操作都会改变图片的像素结构。 因此，可以用一些图像取证方法观察图片是否存在处理痕迹： ELA 分析 JPEG 压缩块分析 噪声模式分析 局部重压缩检测 边缘异常检测 颜色通道异常 频域异常 如果图片某些局部区域的压缩质量、噪声水平或边缘特征和整体不一致，可能说明它被局部编辑过。 例如： 人物区域和背景区域噪声不一致 某个物体边缘附近压缩异常明显 局部区域比其他区域明显更清晰 不同区域 JPEG 质量痕迹不同 背景和前景的颗粒感不一致 这些现象可能意味着： 局部修图 拼接合成 压缩重编码 AI 扩图 AI 修复 AI 替换背景 但它们不能直接证明 AI 生成。 因为真实照片只要经历过编辑、转发、截图，也可能产生类似现象。反过来，一张 AI 生成图如果是原始导出文件，可能没有明显压缩异常。 所以压缩和编辑分析更适合回答： 这张图是否可能被处理过？ 是否存在局部修改或合成痕迹？ 图片传播链是否复杂？ 而不适合直接回答： 这张图是不是 AI 生成？ 3. 传播链越复杂，结论越应该保守 判断一张图片时，还要考虑它的传播链。 一张原始相机照片、一张从网页下载的图片、一张微信里保存的图片、一张截图再转发的图片，它们能提供的信息量完全不同。 传播链越复杂，越容易出现： metadata 丢失 C2PA 丢失 水印被破坏 压缩痕迹变多 噪声模式变化 统计检测器分数波动 所以，如果图片明显经过截图、转发、多次压缩，任何检测结果都应该降置信度。 比较合理的判断方式是： 原始文件 → 可以更信任文件级证据 社交平台保存图 → metadata 和压缩分析需要降权 截图图像 → C2PA、EXIF、水印、统计模型都要谨慎 多次重编码图片 → 只能给风险提示，不适合高置信判断 一套成熟的分析流程，不只是给出"检测到了什么"，还应该告诉用户： 由于图片经过压缩或转存，本次检测可靠性下降。 三、看画面内容：视觉异常和物理矛盾是重要线索，但不是最终裁判 在没有强来源证据时，人们最常用的方法就是看图片内容。这个方向确实有价值，但必须结构化，否则很容易变成主观感觉。 视觉层面的分析可以分成两类： 视觉语义异常 物理与场景一致性异常 1. 视觉语义异常：不要说"有 AI 味"，要指出具体问题 "AI 味"是一个很模糊的说法。更好的方式是观察具体异常。 常见视觉异常包括： 人体结构异常 面部细节异常 文字和符号异常 物体融合 边缘不自然 纹理重复 背景结构混乱 人体和面部 早期 AI 图最容易在人体上翻车，尤其是手、牙齿、眼睛、耳朵、眼镜和头发。 可以观察： 手指数量是否异常 手指关节是否自然 指甲是否合理 手和物体接触是否正确 眼睛是否对称 牙齿是否糊成一片 耳朵结构是否混乱 眼镜框是否断裂 头发边缘是否异常融合 不过现在很多模型已经改善了手部和面部问题。所以"手没问题"不代表不是 AI，只能说没有发现这一类异常。 文字和符号 AI 生成图片常见的另一个问题是文字。 可以观察： 路牌文字是否正常 商标是否拼错 衣服上的字是否可读 包装上的说明是否合理 书页文字是否像乱码 UI 截图里的文字是否一致 如果文字看起来像某种语言，但仔细看不可读，或者 logo 似是而非，这可能是 AI 信号。 不过，真实图片经过压缩、运动模糊、远距离拍摄，也会导致文字不可读。所以文字异常也要结合清晰度判断。 物体融合和边缘异常 AI 图里有时会出现物体边界不清、结构融合的问题： 杯子和手粘在一起 耳机线消失在衣服里 椅子腿数量不对 包带突然断掉 首饰结构不连续 背景人物身体融合 建筑窗户重复变形 这类异常如果清晰可见，通常比"风格像 AI"更有价值。 纹理异常 生成模型可能在大面积纹理上出现重复、过度平滑或不自然的模式。 常见区域包括： 头发 草地 树叶 墙面 织物 皮肤 水面 建筑窗户 人群背景 例如，草地看起来像重复贴图，皮肤质感过度平滑，背景人群像糊在一起，这些都可能是 AI 信号。 但同样要注意，美颜、降噪、低清压缩也可能让真实照片出现类似问题。 因此，视觉异常分析的正确表达应该是： 发现了什么具体异常？ 异常位于哪里？ 异常是否清晰可见？ 是否可能由压缩、低清、风格化或修图造成？ 而不是： 我感觉它像 AI。 2. 物理一致性：看这个"世界"是否自洽 有些 AI 图片局部细节看起来没问题，但整体物理关系不对。 物理一致性可以检查： 光源方向 阴影方向 反射关系 透视结构 物体接触关系 遮挡关系 尺度关系 重力关系 景深一致性 运动模糊 例如： 人物的阴影方向和光源方向不一致 镜子里缺少应该出现的反射 水面倒影和真实物体对不上 桌子上的物体没有接触阴影 背景透视线互相冲突 人物比例和环境尺度不协调 物体像悬浮在空中 不同物体的景深模糊不一致 这类检查对写实图片很有用。因为即使 AI 模型生成了很漂亮的局部细节，它也可能在场景整体逻辑上出错。 但物理一致性也容易误判。真实摄影里也会有： 复杂多光源 广角畸变 反射错觉 舞台灯光 运动模糊 后期修图 低清压缩 特殊拍摄角度 比如舞台照的光影可能非常复杂，玻璃反射可能让人误以为不一致，广角镜头会让透视看起来夸张。这些都不应该轻易判成 AI。 所以物理一致性适合作为中等证据。它最好和视觉异常、压缩痕迹、来源信息一起综合判断。 如果一张图片同时有： 明显手部异常 明显反射错误 统计 detector 高分 没有可信来源信息 那么 AI 风险会升高。 但如果只有一个轻微阴影疑点，就不应该给出高置信结论。 3. 非摄影图要特别小心 不是所有图片都应该按真实摄影标准判断。 比如： 二次元插画 游戏截图 UI 截图 网页截图 海报设计 漫画 表情包 Logo 图标 PPT 信息图 医学图像 卫星图 这些图片本来就不一定符合真实世界光影和摄影逻辑。 如果对二次元图检查"皮肤质感不像真人"，对 UI 截图检查"没有真实阴影"，对游戏截图检查"物理关系不自然"，都可能产生误判。 所以在视觉和物理分析前，必须先判断图片类型。 可以简单分成： 摄影图 写实图 插画 截图 设计图 文档图 游戏图 未知类型 然后决定哪些检测适用，哪些检测需要跳过或降权。 四、不要只查图片，还要查它表达的事实 很多可疑图片的问题，不只是它是不是 AI 生成，而是它是否传达了虚假的信息。 比如： 伪造名人推文 伪造新闻截图 伪造政府公告 伪造企业声明 伪造聊天记录 伪造金融消息 旧图新传 真实照片配假文字 这类图片即使不是 AI 生成，也可能是有害的假信息。反过来，一张 AI 生成图也可能只是艺术创作，并不包含虚假事实。 所以需要区分： AI 生成风险 内容真实性风险 1. 反向搜图：查这张图有没有出现过 反向搜图可以帮助判断图片来源。 可以查： 图片是否早已存在 是否出现在新闻网站 是否出现在摄影图库 是否出现在 AI 作品平台 是否出现在事实核查网站 是否存在更早版本 是否有不同裁剪版本 是否是旧图新传 如果一张图片出现在 AI 作品平台，并且页面里有 prompt、model、seed、workflow，这就是很强的 AI 来源证据。 如果一张图片早在很多年前就出现在摄影师作品集中，并且有完整拍摄信息，那么它不太可能是近期 AI 模型生成的。 但反向搜图也有局限： 搜不到不代表 AI 搜到相似图不代表是同一张 旧图可能被 AI 编辑过 真实图可能被错误配文传播 搜索引擎覆盖不完整 所以反向搜图是外部来源证据，但不是绝对证据。 2. 内容事实核查：查图片里说的事是否真实 如果图片中有文字、截图、新闻标题、公告、推文、聊天记录，就应该提取其中的 claim。 例如一张图片声称： 某公众人物宣布重大决定 某公司被收购 某政府发布新政策 某明星去世 某金融机构爆雷 某地发生灾害 判断时可以查： 是否有官方声明 是否有原始社交媒体链接 是否有可信媒体报道 是否有事实核查网站辟谣 截图中的账号、时间、平台样式是否一致 如果这是一个重大事件，但完全找不到官方来源或可信新闻，就应该提高内容风险。 但要注意： 内容风险高 ≠ AI 风险高 例如： 真实照片配假新闻标题 → AI 风险低，内容风险高 伪造推文截图 → AI 风险中等，内容风险高 AI 生成的虚假灾难现场图 → AI 风险高，内容风险高 AI 生成的艺术头像 → AI 风险高，内容风险低 这一区分很重要。否则系统会把所有"假的东西"都归为 AI 生成，导致判断混乱。 3. 平台截图要查原始链接 现在很多假信息会伪造成平台截图，比如： X / Twitter 推文截图 微博截图 小红书截图 新闻网页截图 公告截图 聊天记录截图 这类图片的判断方法不是单纯看像素，而是要看它有没有原始来源。 例如推文截图，可以查： 账号 handle 是否存在 原文是否能搜索到 时间格式是否合理 UI 样式是否匹配 互动数据是否异常 是否有原始链接 是否有官方澄清 如果一张截图声称是重大消息，但没有原始链接，搜不到原帖，也没有可信报道，就应该给出内容真实性风险提示。 但依然要保守表达： 未找到原帖或可信来源，图片内容可能存在伪造或误导风险。 而不是直接说： 这是 AI 生成的。 五、统计模型可以用，但不要把分数当真相 现在有很多 AI image detector，可以输入图片，输出一个 AI-like score。 这些检测器可能基于： CNN ViT CLIP ConvNeXt 频域特征 扩散模型痕迹 二分类模型 它们的价值在于，可以捕捉到人眼不容易观察的统计特征。 比如某些生成模型可能在纹理、频率、噪声分布上留下规律，统计 detector 可能可以学习到这些差异。 但这类模型有天然局限： 训练集偏差 新模型泛化不足 压缩后分数变化 截图后分数变化 对二次元和游戏图误伤 对修图照片误伤 黑盒不可解释 不同 detector 结果不一致 比如一个 detector 可能在 Stable Diffusion 早期图片上效果很好，但对 Midjourney、Flux、Imagen、豆包、通义万相等新模型表现不稳定。另一个 detector 可能把真实的海报设计、游戏截图、二次元图误判成 AI。 所以 detector 输出的分数不能直接当成概率。 如果模型输出： 0.92 不应该解释为： 这张图有 92% 概率是 AI。 更合理的表达是： 该检测模型认为图片具有较强 AI-like 统计特征。 使用统计检测器时，最好关注： 模型训练数据覆盖哪些生成器？ 是否支持当前图片类型？ 对压缩和截图是否鲁棒？ 对真实修图照片误伤率如何？ 是否在自己的样本集上测试过？ 输出分数是否经过校准？ 如果没有自己的验证集，就不要把 detector 结果当作最终裁判。它应该只是综合证据中的一项。 一个成熟的系统应该允许 detector 输出： 高风险 中风险 低风险 不适用 检测失败 而不是强行把所有图片都塞进一个概率。 六、最终判断：不是给一个武断答案，而是给一份证据报告 综合判断时，最重要的是区分证据强度。 不同证据不能同等看待。 例如： 可信 C2PA 明确声明 AI 生成 和： 图片看起来有点 AI 味 不是一个级别。 可以把证据大致分为三类。 强证据 verified C2PA 明确声明 AI 生成 可信官方水印被高置信解码 图片在 AI 作品平台找到原始页面，并有 prompt / model / workflow 事实核查来源明确说明该图为 AI 生成 强证据可以显著影响结论。 中等证据 明显视觉异常 明显物理矛盾 多个区域压缩痕迹异常 统计 detector 高分 重大 claim 找不到可信来源 图片在可疑来源中传播 中等证据需要组合使用。单独出现时不应该直接下结论。 弱证据 无 metadata 低置信水印相似信号 轻微压缩异常 图片风格很像 AI 模型输出接近边界 搜索不到外部来源 弱证据只能提示风险，不能作为结论依据。 最后的判断不应该只有： AI / Real 也不应该写成： 92% AI 更好的结果应该包括： AI 生成风险 内容真实性风险 置信度 关键证据 反向证据 不确定因素 局限性说明 例如： AI 生成风险：中等 内容真实性风险：低 置信度：中等 关键证据： - 未发现可信 C2PA 来源声明 - 检测到轻微压缩不一致 - 未发现明显视觉语义异常 - 未发现可核查的重大内容 claim 解释： 当前图片存在少量处理痕迹，但没有发现决定性 AI 来源证据。该结果不能证明图片由 AI 生成，也不能证明图片为真人拍摄。 如果内容核查发现问题，可以写： AI 生成风险：中等 内容真实性风险：高 置信度：中等 关键证据： - 图片中包含重大公众人物声明 - 未找到对应原帖 - 未找到可信新闻来源支持 - 截图缺少可验证链接 解释： 该图片内容存在较高伪造或误导风险，但这不能单独证明图片由 AI 生成。 这种输出比"AI 概率 87%"更负责任，也更有解释力。 因为很多时候，真正重要的不是"给一个确定答案"，而是告诉用户： 我们发现了什么？ 这些发现意味着什么？ 这些发现不能证明什么？ 还有哪些信息不足？ 结语 判断一张图片是否由 AI 生成，最可靠的方式不是依赖单个 detector，而是建立一套多证据分析框架。 可以按这个顺序思考： 1. 先看图片是否适合检测 2. 再看来源信息和 metadata 3. 检查水印或平台标记 4. 分析压缩、编辑和传播痕迹 5. 观察视觉语义异常 6. 检查物理与场景一致性 7. 使用统计检测模型作为辅助 8. 做反向搜图和内容事实核查 9. 区分 AI 风险和内容真实性风险 10. 按证据强度综合判断 每一种方法都有价值，也都有局限。 缺少 metadata 不代表 AI；没有水印不代表真人；检测到水印相似信号不代表已验证水印；视觉上没有异常不代表不是 AI；内容是假的也不代表图片一定是 AI；统计模型高分也不等于客观概率。 所以，真正成熟的 AI 图片判断，不是给一个漂亮但武断的百分比，而是给出一份清楚的证据分析： 我们看到了哪些证据？ 这些证据有多强？ 它们是否可能误判？ 哪些检测不适用于当前图片？ 最终只能给出怎样的风险判断？ 在 AI 内容越来越多的时代，判断图片真假不只是技术问题，也是表达问题。一个负责任的系统应该学会承认不确定性，并把不确定性解释清楚。 3 个帖子 - 2 位参与者 阅读完整话题