GPT-Image-2生成文本图像检测新基准：传统检测器在JPEG压缩下失效，多模态模型面临结构化挑战

在数字内容日益复杂的今天，文本丰富图像（Text-rich Images）因其包含隐私敏感、交易相关或决策关键信息，成为数字信任体系中的核心关注点。随着多模态图像生成模型，特别是如GPT-Image-2等先进模型的快速发展，它们不仅能生成逼真的文本内容，还能构建复杂的结构化视觉设计，这使得传统的图像检测手段面临严峻挑战。然而，现有的基准测试大多聚焦于以物体为中心的自然场景图像，对于文本语义和布局组织起决定性作用的场景覆盖严重不足。针对这一空白，本研究提出并构建了一个专门针对GPT-Image-2生成文本丰富图像的多领域基准测试。该工作的核心贡献在于填补了从通用图像检测向特定文本密集型图像检测过渡的技术缺口，通过系统性地评估现有检测器在复杂排版和语义场景下的表现，揭示了当前技术在应对高度结构化AI生成内容时的脆弱性，为后续开发更鲁棒的检测算法奠定了数据和方法论基础。在技术方法层面，本研究并未提出新的检测网络架构，而是致力于构建一个高质量、多样化的评估基准。该基准测试精心收集并标注了8,602张由GPT-Image-2生成的图像，涵盖了六个极具代表性的应用领域：商业海报、信息图、学术海报、收据、表格以及用户界面（UI）截图。这种多领域的覆盖确保了基准测试能够全面反映文本丰富图像在不同语义和布局结构下的多样性。

在评估策略上，研究采用了零样本（Zero-shot）设置，这意味着检测器在未见过的特定领域数据上进行直接测试，从而更真实地反映其泛化能力。研究选取了五种目前具有代表性的AI生成图像检测器作为评估对象，这些检测器通常基于统计特征、频域分析或深度学习特征提取。通过在这些检测器上运行，研究重点分析了它们在整体准确率、不同类别间的性能差异以及经过常见后处理（如JPEG压缩）后的鲁棒性变化，旨在深入剖析现有技术在处理文本与布局信息时的技术瓶颈。实验结果揭示了当前AI生成图像检测领域存在的显著短板。首先，检测器的性能表现出高度的领域依赖性，即在某一类图像（如UI截图）上表现良好的方法，在另一类图像（如复杂信息图）上可能完全失效。这种不一致性表明，现有的检测特征可能过于依赖某些特定的视觉模式，而无法捕捉到跨领域的通用生成痕迹。其次，研究发现了严重的鲁棒性问题，即便是目前最强的传统检测器，在面对简单的JPEG压缩后，其检测性能也会出现大幅下降。这说明现有的检测信号可能非常微弱或容易受到图像压缩算法的干扰。

此外，研究还探索性地评估了多模态视觉语言模型（VLM）在这一任务上的表现。虽然VLM在理解文本语义方面具有优势，但在处理结构化格式（如表格和复杂排版）时，其检测能力依然有限，未能展现出预期的突破性进展。这些发现共同指向一个结论：现有的检测范式尚未充分适应文本丰富图像的特性，亟需针对文本和布局特征进行专门优化。这项研究对开源社区、工业落地及后续研究具有深远的意义。对于开源社区而言，发布的包含8,602张图像的多领域基准测试数据集，为研究人员提供了一个标准化的评估平台，有助于公平地比较不同检测算法的性能，加速该领域的技术迭代。在工业落地方面，随着AI生成内容在广告、金融票据、UI设计等领域的广泛应用，开发能够抵御后处理干扰且具备领域泛化能力的检测工具，对于防止欺诈、保护隐私和维护平台内容真实性至关重要。本研究指出的JPEG压缩敏感性和领域依赖性，为工业界优化检测模型提供了明确的方向。对于后续研究，本工作强调了开发"文本和布局感知"检测方法的必要性，未来的研究应更多地关注如何结合文本语义信息与视觉布局结构，以构建更加鲁棒、通用的AI生成图像检测系统，从而在日益复杂的数字环境中维护内容的可信度。