北大团队开源 GenShield，将 AI 生成图像检测与伪影修复统一到一个自回归框架，检测准确率达 98.8%
北大团队开源 GenShield，将 AI 生成图像检测与伪影修复统一到一个自回归框架，检测准确率达 98.8%
即梦推出 CLI 工具，支持在小龙虾、Claude Code 等智能体中通过自然语言直接调用 Seedance 2.0 生成视频和图片，无需 API 配置
随着 AI 生图越来越逼真，"这张图到底是真的还是 AI 生成的"成了一个越来越难回答的问题。更进一步的挑战是：如果 AI 生成的图像有不自然的伪影，能不能不只是标记出来，而是直接修复？北京大学等机构的研究团队提出了 GenShield——一个将检测与修复统一到同一闭环中的开源框架。
GenShield 是一个基于自回归架构的统一框架，把 AI 生成图像的检测和伪影修复放到同一个模型中完成。它不是简单地判断"真假"，而是能指出问题在哪里、为什么有问题，并进一步把图像修复到更自然的状态。
GenShield 框架的核心：检测与修复不是两个孤立任务，而是相互促进的。
模型不只输出 real/fake 判断，还会生成图像内容描述和伪影分析依据。你可以理解为：它不仅告诉你"这张图是 AI 生成的"，还会解释"因为手指结构不自然、光影方向不一致"。
根据诊断信息，模型对图像中的异常区域进行针对性修复，同时尽量保持主体语义和整体结构不变。
模型像人类"先检查、再修改、再复查"一样，进行多轮诊断与修复。当图像已经足够自然时，模型会自动输出"未发现明显伪影"并停止。
模型进行多轮"诊断-修复"循环，直到图像自然为止。
团队构建了配套数据集 GenShield-Set，包含两个部分：
在 AI 生成图像检测任务上：
在伪影修复任务上：
训练过程分为两个阶段：
第一阶段：模型同时学习可解释检测和指令引导的修复，建立稳定的真实图像生成先验。
第二阶段：检测继续参与训练，修复升级为多轮自修复。给定一张可能有问题的图像，模型先生成诊断文本，再根据诊断进行修复，循环执行直到图像足够自然。
这种设计让检测和修复形成正反馈：检测帮助发现异常区域，修复反过来增强模型对伪影的敏感度。
