图片也有"胎记"：噪声残差、频域痕迹与模型指纹

上一讲的肉眼清单，正在被新模型逐个攻破。手指变正常了，文字能拼对了，光影也自洽了。那机器还能靠什么？

答案是那些人眼在物理上就看不见的东西：噪声底噪。

一、每张照片都有自己的"底噪"

真实照片不是干净的。光线打进传感器，会带上各种随机扰动——传感器的热噪声、电路噪声、光线本身的量子涨落。这些噪声极其微弱，人眼完全看不见，但它像纸纹一样，是真实成像过程的副产品。

AI 生成的图片不一样。它是"算"出来的，没有经过真实的成像链路，所以它的噪声是被模型顺便生成出来的——看起来像噪声，但统计规律和真实照片对不上。

二、噪声残差：把噪声单独拎出来

怎么看到噪声？思路很巧妙：

1. 拿这张图，用一个简单滤波器（比如去噪或者中值滤波）预测每个像素"应该"是什么值；
2. 用原图减去这个预测结果，得到的差值就是噪声残差；
3. 分析这个残差的统计特性。

真实照片的残差里，藏着传感器的物理印记（不同相机品牌、不同型号的传感器，印记还各不相同，这也是相机溯源的基础）。AI 图的残差则更"规整"，或者呈现出生成算法特有的周期性纹理。

为什么会有周期性纹理

很多生成模型（尤其是 GAN 和早期的扩散模型）内部有大量"上采样"操作——把小图放大成大图。上采样不可避免地会引入棋盘状或网格状的周期性痕迹。在原始图上看不见，转到频域就非常明显。

三、频域：换个角度看图

这里要引入一个概念。我们可以把一张图看成两种表达：

• 空间域：你平时看到的像素排列；
• 频域：把图像分解成不同"疏密程度"的波纹叠加。

转换方法叫傅里叶变换。转换之后，图像会呈现一张"频谱图"，上面亮点代表某些频率特别强。

AI 生成图在频域里经常露馅：

• 高频部分出现异常的能量集中（上采样的痕迹）；
• 频谱上出现规则的亮点阵列，真实照片很少这么规律；
• 高频衰减的方式与真实成像不同。

这类方法对 GAN 生成的图非常有效，一度准确率接近满分。但对新一代扩散模型效果下降明显——扩散模型的生成方式不同，留下的痕迹更隐蔽。

四、模型指纹：追到"哪个模型画的"

更有意思的一层是溯源：不只判断"是不是 AI"，还判断"是哪个模型生成的"。

原理和前面一脉相承：不同的生成器，因为网络结构、上采样方式、训练数据的差异，会留下各自独特的痕迹。就像不同工厂的模具会在产品上留下细微差别。

做法大致是：

1. 收集大量已知来源的图（A 模型一批、B 模型一批、真实照片一批）；
2. 提取噪声残差或频域特征；
3. 训练一个分类器去分辨这些特征的差异；
4. 实际使用时，让分类器判断新图最像哪一类。

这在版权和取证场景很有价值。但有个前提：分类器必须见过这个模型。遇到一个全新的生成器，它只能说"不像我见过的任何一个"，无法给出可靠答案。

五、这套方法怕什么

别把它想得太神，它的软肋比文本检测还明显。

1. 压缩和转发会摧毁证据

这是最要命的一点。噪声残差和高频特征极其脆弱：

• 微信/微博/抖音的压缩（JPEG 有损压缩）会直接抹掉高频噪声；
• 缩放、裁剪、加滤镜也会破坏原始特征；
• 截图再截图，证据基本没了。

2. 针对性对抗

只要往图里加一点点精心构造的扰动（人眼完全看不出），就能让检测器判断翻转。学术界已有大量这类"对抗样本"研究。

3. 模型迭代太快

基于"见过某个模型"来识别的方法，天然滞后于模型更新。新模型一发布，旧检测器就得重新训练。

4. 混合处理

AI 生成后用修图软件改一改、加个真实照片的噪点、或者打印出来再拍照——每一道处理都在削弱机器特征。

六、那图片怎么鉴定才靠谱

和文本一样，分层看：

1. 元数据：先看有没有生成信息（下一讲）；
2. 肉眼破绽：手、文字、光影；
3. 机器特征：噪声残差、频域、模型指纹（前提是拿到原图，未压缩）；
4. 反向搜索：以图搜图，看看是不是从别处搬来的。

其中反向搜索常常被忽略，但性价比最高：很多"AI 图"其实是旧照片被二次加工，搜到原图就什么都清楚了。

小结

噪声残差和频域分析是图片鉴定里最有"硬证据"味道的一层——它测的是物理生成过程的痕迹，不是主观判断。但它极度依赖拿到未压缩的原图，这一点在社交传播场景下几乎不可能满足。

所以在掏出复杂算法之前，有个更省事的动作值得先做：翻一翻图片的元数据。下一讲。