当AI学会分辨真假照片：中山大学团队让图像生成器彻底告别"塑料感"

这项研究由中山大学、上海AI实验室、南京大学等多家机构的研究团队共同完成，主要作者包括叶俊燕、朱雷琪、郭云成、江东芝等学者。该研究于2025年11月发表在计算机视觉领域的权威期刊上，论文编号为arXiv:2512.00473v1。有兴趣深入了解的读者可以通过该编号查询完整论文。

当你看到一张由AI生成的人物照片时，是不是总觉得哪里不对劲？皮肤过于光滑，像是涂了一层蜡，脸上油光锃亮得不自然？这种让人一眼就能识破的"AI塑料感"，一直是困扰图像生成技术的老大难问题。就算是目前最先进的AI图像生成器，比如GPT-Image和Qwen-Image，虽然能准确理解复杂的文字描述，甚至能生成包含精确文字的图像，但在制作真实感人物照片方面，仍然会露出明显的破绽。

要知道，图像生成技术的终极目标其实很简单——让AI制作的图片完全无法与真实照片区分开来。然而现实却是，即使是简单的人像生成任务，AI产出的作品依然带着浓浓的"人工味"。研究团队敏锐地意识到，解决这个问题的关键在于让AI学会"躲避检查"。

这听起来很有趣——如果有一个非常擅长识别假照片的"鉴定师"，那么最好的造假方法就是让这个鉴定师看不出破绽。研究团队正是基于这样的思路，开发出了名为RealGen的全新框架。这个框架的巧妙之处在于，它把两种不同类型的"鉴定师"当作老师，让AI图像生成器在制作照片时不断学习如何避免被识破。

RealGen包含两个核心组件，就像一个高效的图片制作工厂。第一个组件是基于大语言模型的"文案策划师"，负责把用户输入的简单描述词扩展成丰富详细的创作指令。第二个组件是专门的图像生成器，根据这些详细指令制作出逼真的照片。整个系统的独特之处在于引入了"探测器奖励"机制——这就像是在工厂里设置了严格的质检环节，任何带有人工痕迹的作品都会被退回重做。

质检环节使用了两套不同的检测标准。第一套检测标准专门审查语义层面的问题，比如皮肤是否过于光滑、面部高光是否不自然、背景模糊是否违反常理等明显的视觉缺陷。这套标准使用了一个名为Forensic-Chat的检测模型，它基于先进的视觉语言模型训练而成，能够像专业摄影师一样分析照片的视觉效果。第二套检测标准则关注更深层的特征问题，主要检查频率异常和噪音模式等人眼难以察觉但技术设备能够识别的痕迹。这套标准采用了OmniAID模型，它在大规模真实和合成图像数据集上进行过专门训练。

除了这两套主要的检测标准，系统还加入了文本对齐评分机制，确保生成的图像与用户的原始需求保持一致。毕竟，再逼真的照片如果与用户要求南辕北辙也毫无意义。这三套评分标准会被融合成一个综合的优势函数，用于指导整个生成过程的优化。

训练过程分为两个阶段，就像培训一个专业摄影团队。第一阶段专门训练"文案策划师"，让它学会如何把用户的简单描述扩展成富有细节的创作指令。在这个阶段，图像生成器保持不变，只有文案策划师在不断学习改进。系统会根据最终生成图像的质量来评判文案策划师的表现，促使它生成更有效的创作指令。第二阶段则专门训练图像生成器本身，让它学会制作更逼真的照片。在这个阶段，文案策划师保持不变，只有图像生成器在接受训练。

整个优化过程采用了一种叫做GRPO（广义强化策略优化）的算法。这个算法的作用类似于一个严格但公正的教练，它会根据作品质量给出奖励或惩罚，推动AI系统不断改进。通过这种方式，RealGen能够显著减少生成图像中的人工痕迹，让照片看起来更加自然真实。

为了验证RealGen的效果，研究团队还创建了一个专门的评测基准RealBench。这个基准包含了1000张高质量的真实照片以及相应的文字描述，涵盖七个不同类别。考虑到人像是用户最常使用也最具挑战性的类别，团队特意增加了人像照片的比例。

RealBench采用两种评测方法来全面评估图像的逼真程度。第一种是探测器评分法，使用多个不同的合成图像检测器对生成的照片进行评分。逼真度越高的照片越难被检测器识破，因此会获得更高的分数。第二种是竞技场评分法，模仿了大语言模型评测中的竞技场模式，让多个先进的视觉语言模型担任"裁判"，通过配对比较来判断哪张照片看起来更真实。

在评测过程中，每个模型生成的图像都要经历至少3000次随机配对"对战"，与其他模型的作品以及真实照片进行比较。这种包含真实照片的对比不仅提高了评分的稳定性，也验证了评测方法的可靠性。如果一个AI生成的照片能在与真实照片的对比中获得接近50%的胜率，就说明它已经达到了相当高的逼真程度。

实验结果令人印象深刻。在RealBench基准测试中，RealGen在多个关键指标上都大幅领先于现有的图像生成模型。无论是与通用型模型如GPT-Image-1和Qwen-Image相比，还是与专门针对逼真度优化的模型如FLUX-Krea相比，RealGen都表现出明显的优势。特别是在与真实照片的对比中，RealGen实现了接近50%的胜率，而其他大多数模型的胜率都低于30%，这个差距相当显著。

研究团队进行了详细的对比分析。他们发现，传统的图像生成模型往往存在一些典型问题：FLUX-dev和Bagel生成的照片容易出现过度油腻和不自然的高光效果；Qwen-Image倾向于产生过于光滑的皮肤纹理；GPT-Image-1除了具有明显的"AI塑料感"外，还经常出现偏向黄绿色调的不自然色彩倾向。相比之下，RealGen生成的照片在纹理细节和整体视觉效果方面都更接近真实摄影作品。

为了深入理解RealGen成功的原因，研究团队还进行了详细的消融实验。结果显示，仅仅应用第一阶段的文案优化就能带来显著改善，因为丰富详细的描述能够为图像生成器提供更多有用信息。在此基础上加入第二阶段的图像生成器优化，能够进一步提升照片的逼真度和细节质量。

特别值得注意的是，当研究团队将RealGen使用的探测器奖励机制与传统的人类偏好奖励机制进行对比时，发现了有趣的差异。传统的偏好奖励机制往往会引导模型朝着卡通化或艺术化的方向发展，虽然可能更符合某些审美偏好，但却偏离了逼真度的目标。而探测器奖励机制则能持续推动模型向更逼真的方向发展。

研究团队在另一个独立的数据集HPD v2上进行的验证实验进一步确认了RealGen的优越性。这个跨数据集的测试证明，RealGen不仅在专门设计的评测基准上表现出色，在其他评测环境中同样具有良好的泛化能力。

从技术实现角度看，RealGen使用Qwen-3 4B作为文案策划组件的基础模型，使用FLUX.1-dev作为图像生成的基础模型，并集成了精心调优的LoRA层。整个训练过程在8块H200 GPU上完成，体现了该方法的实用性和可扩展性。

这项研究的意义不仅限于技术层面的突破。它为解决AI生成图像的逼真度问题提供了一个全新的思路——利用对抗性训练的思想，让生成器在与检测器的"博弈"中不断提升自己的能力。这种"魔高一尺，道高一丈"的训练模式，本质上是在模拟真实世界中造假技术与鉴别技术相互促进的过程。

从应用前景来看，RealGen技术有着广阔的应用空间。在影视制作领域，它可以大大降低概念艺术和预可视化的制作成本；在广告设计行业，它能够快速生成高质量的产品展示图像；在教育培训领域，它可以制作各种场景的教学素材；在游戏开发中，它能够自动生成逼真的人物和场景贴图。

当然，这项技术也带来了一些需要思考的问题。随着AI生成图像越来越逼真，如何确保这些技术不被恶意使用变得尤为重要。研究团队也意识到了这个问题，这也是为什么他们在开发生成技术的同时，也在推进检测技术的发展。

说到底，RealGen代表了AI图像生成技术向着更高逼真度目标迈出的重要一步。通过巧妙地利用检测技术来指导生成过程，它成功地解决了长期困扰该领域的"塑料感"问题。这种"以检测促生成"的思路不仅在技术上具有创新性，在方法论上也为其他相关研究提供了有益的启发。

对于普通用户来说，这项技术的成熟应用意味着未来我们能够获得质量更高、更加逼真的AI生成图像。无论是为社交媒体制作个性化头像，还是为创意项目生成概念图，都能得到更加令人满意的结果。而对于相关行业的从业者来说，这项技术的普及将带来工作流程的显著改进和效率的大幅提升。

Q&A

Q1：RealGen是什么？

A：RealGen是由中山大学等机构联合开发的AI图像生成框架，专门解决AI生成照片的"塑料感"问题。它包含文案优化和图像生成两个组件，通过让AI学会躲避图像检测器的识别来制作更逼真的照片。

Q2：RealGen如何让AI生成的照片更真实？

A：RealGen采用"探测器奖励"机制，使用两套检测标准审查生成的图像。一套检测明显的视觉缺陷如过度光滑的皮肤，另一套检测深层的技术痕迹。通过不断躲避这些检测器的识别，AI逐渐学会制作更逼真的照片。

Q3：RealGen生成的图像质量如何验证？

A：研究团队创建了RealBench评测基准，包含1000张真实照片和相应描述。使用探测器评分和竞技场评分两种方法，让RealGen与其他AI模型进行对比。结果显示RealGen在与真实照片的对比中胜率接近50%，远超其他模型。