公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
龙哥推荐理由：
AI生成图像检测这条线，最怕的不是模型差，而是对手升级太快。Flet不再死磕“静态特征”，而是直接把检测器做成能跟着新生成器一起变的系统，这个思路很对路。
原论文信息如下：
ICML 2026新作：Flet把假图检测拉回73.1%
AI生成图像检测这条线，最怕的不是模型差，而是对手升级太快。Flet不再死磕“静态特征”，而是直接把检测器做成能跟着新生成器一起变的系统，这个思路很对路。
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
原论文信息如下：AI生成图像检测表面是“找假图”，本质是和生成模型赛跑。很多检测器默认世界静止：只要把历史伪造痕迹学牢，就能通吃未来。现实是新一代生成器一更新，老检测器准确率直接塌方。
Flet的思路：别再幻想“一次训练，永远通用”，而是把检测器做成能少样本动态适应的系统。它用高频线索分流图像，用回放和避让路由减少遗忘，目标不是死守静态特征，而是跟着新生成器持续修正边界。
Flet的核心是“更会分流”。它用DINOv3提取表征，配合高频分支提取易暴露生成痕迹的信号，最后把特征送入多个子空间，由路由权重决定走哪条路。简单说，先判断“像不像假”，再决定“往哪个判别通道里塞”。
图3：Flet整体框架图。高频分支生成路由信号，预训练用互斥约束把AI与Non-AI分到不同子空间，少样本适应阶段通过避让路由把新生成器样本导向正确的AI子空间。
预训练阶段，模型通过对比学习拉开“真假图”边界，再用两个约束让子空间分工明确：一个让AI和Non-AI的路由权重不撞车，另一个避免某些子空间闲置。这像把侦察队拆成多个小组，各组盯一类线索。
少样本适应阶段，Flet引入“避让路由”：新样本误触Non-AI子空间就把它往AI子空间赶，同时用回放集和蒸馏项保住旧知识。好处是既能学新东西，又不至于忘光老本。
论文构建了Treasure基准，覆盖64种生成模型、约36万张图像，含20个闭源商业引擎，目的是逼检测器面对开放世界。
图2：Treasure数据集概览。数据有真假标签和艺术风格标签，覆盖写实、二维插画、三维渲染和传统艺术四类，评测维度更狠。
面对这种规模和新鲜度，很多老方法会“CPU疼”。生成器换代后，静态伪造痕迹不一定管用，Treasure就是用来照出这种脆弱性的。
论文最有杀伤力的是把静态方法的天花板掀了。在Doubao Sedream 4.0上，静态SOTA在零样本或少样本下会崩盘，而Flet只用10张样本就把准确率从20.4%拉到73.1%。
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！
👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～
原论文信息如下：