[논문 리뷰] RealStats: A Rigorous Real-Only Statistical Framework for Fake Image Detection

Haim Zisman, Uri Shaham|arXiv (Cornell University)|2026. 01. 26.

Generative Adversarial Networks and Image Synthesis인용 수 0

한 줄 요약

RealStats는 학습 없이 작동하는, 통계적으로 근거를 둔 프레임워크로 다수의 실제 이미지 전용 p-값을 집계하여 실제 이미지 분포와의 정합성을 검정하고 보정된 해석 가능한 출력을 제공합니다.

ABSTRACT

As generative models continue to evolve, detecting AI-generated images remains a critical challenge. While effective detection methods exist, they often lack formal interpretability and may rely on implicit assumptions about fake content, potentially limiting robustness to distributional shifts. In this work, we introduce a rigorous, statistically grounded framework for fake image detection that focuses on producing a probability score interpretable with respect to the real-image population. Our method leverages the strengths of multiple existing detectors by combining training-free statistics. We compute p-values over a range of test statistics and aggregate them using classical statistical ensembling to assess alignment with the unified real-image distribution. This framework is generic, flexible, and training-free, making it well-suited for robust fake image detection across diverse and evolving settings.

연구 동기 및 목표

• 진화하는 생성 모델 하에서 해석 가능하고 적응 가능한 가짜 이미지 탐지의 필요성을 제시한다.
• 실제 이미지 분포를 기반으로 한 학습 없이도 작동하는 통계적 가설 검정 프레임워크를 개발한다.
• 독립성 인지 기반의 융합으로 보정된 p-값을 생성하기 위해 여러 통계를 결합한다.
• 확장성, 분포 이동에 대한 견고성, 새로운 통계의 도입을 위한 모듈성을 보장한다.

제안 방법

• 고정된 특징 추출기를 사용하여 실제 이미지에서 다양한 스칼라 통계치를 추출한다.
• 각 통계를 실제 이미지에서 추정된 경험적 CDF를 통해 양측 p-값으로 매핑한다.
• 독립성 그래프를 구축하고 균일성 제약 하에서 최대 완전 그래프를 추출하여 독립적인 통계 부분집합을 선택한다.
• 선정된 p-값들을 Stouffer 검정이나 min-p와 같은 방법으로 집계하여 귀무가설 하의 결합 p-값을 얻는다.
• 추론은 선택된 통계치만 사용하여 p-값을 계산하고, 선택된 유의수준에서 결정을 내린다.

Figure 1: Illustration of the score interpretability gap between a supervised classifier Wang et al. ( 2020 ) and our statistical method. Top: A supervised model outputs scores that can separate real from fake images, but these scores are not inherently interpretable, as they lack clear statistical

실험 결과

연구 질문

• RQ1 실제 이미지 기반의 학습 없는 프레임워크가 실제 vs. 가짜 이미지 가능성을 의미 있게 정량화하는 보정된 p-값을 제공할 수 있는가?
• RQ2 다수의 독립적인 실제 전용 통계의 집계가 진화하는 제너레이터 간의 분포 이동에 대한 견고성을 개선하는가?
• RQ3 RealStats는 해석 가능성과 경쟁력 있는 탐지 성능을 학습 없는 기준과 어떻게 균형 잡나요?
• RQ4 프레임워크가 새로운 통계치를 도입하여 재학습 없이도 도전적인 제너레이터에서 성능을 향상시킬 수 있는가?

주요 결과

모델	AUC	AP
Manifold Bias	0.761 ± 0.179	0.753 ± 0.169
RIGID	0.769 ± 0.194	0.765 ± 0.189
AEROBLADE	0.697 ± 0.161	0.697 ± 0.163
Ours (Stouffer)	0.756 ± 0.135	0.743 ± 0.133
Ours (Min-p)	0.775 ± 0.126	0.756 ± 0.119

• 본 방법은 학습 없는 최첨단 탐지기와 비교하여 경쟁력 있는 AUC와 AP를 달성하며(예: Min-p 앙상블 AUC 0.775, AP 0.756) 제너레이터 간 분산이 더 낮다.
• 제너레이터별 분석에서 더 균형 잡힌 성능과 견고성을 보이며, 다양한 통계치를 도입하면 개선이 나타난다(예: ManifoldBias를 Min-p에 추가하면 GauGAN, CycleGAN, SAN에서 AUC가 향상됨).
• 프레임워크는 각 추론에 대해 보정된 p-값을 반환하여 해석 가능한 출력을 제공하고, 표준 유의수준에서 원칙적인 의사결정을 가능하게 한다.
• 접근 방식은 빠르고 확장 가능하며, 독립성 테스트로 인한 오버헤드가 포워드 패스를 따라가며 메모리 효율적이다.
• 일반적인 손상(예: 가우시안 블러; JPEG 압축으로 약간의 하락)은 견고하며 참조 분포 불일치 하에서도 판별 신호를 보존하며 적응성을 유지한다.

(a) Manifold Curvature (SDXL)