目录

一、Baseline方案分析

baseline方案优点与不足

baseline方案修改思路

二、赛题进阶要点分析

三、进阶方法和思路分享

进阶思路1：AI图片识别方法

进阶思路2：DeepFake识别方法

进阶思路3：Qwen-Image

最后、祝大家上分愉快！

---

一、Baseline方案分析

baseline方案优点与不足

在现有的Baseline方案基础上，可以尝试以下方法来进一步提升生成图片的质量：

• Prompt 优化 ：在AIGC图片生成任务中，Prompt是控制生成效果的关键。可以尝试添加更多细节描述词，比如“超高分辨率”、“电影级别光影”、“细节丰富”等，来引导模型生成更高质量的图片。

• 模型与API选择 ：使用功能更全面的商业API，例如通义万相。这些模型在图像质量、细节丰富度和语义理解方面可能有更好的表现。

baseline方案修改思路

Baseline方案选择了成熟且易于集成的开源模型（如CogView4）和传统方法（如基于Dlib+OpenCV的换脸），这使得初学者能够快速理解和运行代码，作为参赛的起点。

方案中的模型和方法都是通用型的，没有针对各个子任务的特定难点进行深度优化。例如，在 视觉文本编辑 任务中，它没有专门处理文字在复杂背景下的融合问题；在 Deepfake 中，传统方法在处理非正面、光照复杂的人脸时，融合效果往往僵硬，有明显的拼接痕迹。

比赛的最终评分是基于主观视觉判断和客观指标的综合考量，但我们可以在本地模拟一个评估机制，帮助我们筛选出更好的生成结果。如下为一些参考指标：

• Prompt一致性（Semantic Consistency）： 图片是否准确表达了Prompt的语义。可以使用 CLIP Score 或其他视觉-语言模型来计算图片和Prompt的匹配程度。

• 图像质量（Perceptual Quality）： 图片的清晰度、美观度和真实感。可以使用 FID（Frechet Inception Distance）或LPIPS（Learned Perceptual Image Patch Similarity） 等指标来评估。

• 身份一致性（Identity Preservation）： 替换后的人脸是否保留了源人脸的身份特征。可以利用 人脸识别模型 来提取并比对源人脸和生成人脸的特征向量距离。

• 表情/姿态迁移（Expression & Pose Transfer）： 新人脸是否保留了目标人脸的表情和姿态。这可以通过比较 面部关键点 或 3D姿态估计 来量化。

不要局限于一个模型。对于同一个Prompt，可以同时使用多个不同的模型或API（如SDXL、通义万相等）进行生成。利用本地评分函数对这些生成结果进行评估，选择得分最高的图片作为最终提交结果。这就像在进行一场小型的“模型A/B测试”。

二、赛题进阶要点分析

本次赛题的核心在于考察参赛者 利用和优化生成式AI技术，创造出高仿真度、难以被现有鉴伪系统识别的数字伪造内容 的能力。这不仅仅是简单地调用API或模型生成图片，更重要的是理解并掌握如何通过技术手段，在视觉上实现 “以假乱真” 。

参赛者需要对AIGC图片生成、图像编辑、视觉文本编辑和人脸替换（Deepfake）这四大核心任务有深入的理解。并非所有模型都能直接生成高质量结果。考察点在于你是否能通过调整 Prompt 、模型参数（如 guidance_scale 、 inference_steps ）或结合 ControlNet 等辅助工具，来精准控制生成过程，从而提升图片质量和真实感。

三、进阶方法和思路分享

进阶思路1：AI图片识别方法

Identify if image has watermark using AI | Nyckel

AI生成图像与真实图像在频率分布上存在显著差异。AI生成图像在所有频率上都具有“分散的强度”，这意味着其傅里叶变换后的能量在整个频谱范围内分布较为均匀。相比之下，真实图像的强度则主要集中在中心频率，即能量主要集中在低频部分，反映出图像中平滑的过渡和整体结构。

此外，真实照片通常被描述为“混乱、无序和不平衡”的，它们捕捉了现实世界中固有的复杂性和随机性。而AI图片则可能因为其源自均匀随机噪声并经过逐步细化生成，而显得过于“平坦”或缺乏真实图像固有的复杂噪声特征。

通过CNN等二分类模型，可以将图片进行判断，是否为AI生成。

https://huggingface.co/umm-maybe/AI-image-detector

https://huggingface.co/mmanikanta/VIT_AI_image_detector

进阶思路2：DeepFake识别方法

结合CNN和循环神经网络（RNN，例如LSTM）的模型，可以捕捉视频中人脸运动、表情变化等时序上的不自然之处。例如，一些模型可以识别不自然的头部姿势变化或异常的眨眼模式。

https://huggingface.co/prithivMLmods/Deep-Fake-Detector-v2-Model

https://huggingface.co/dima806/deepfake_vs_real_image_detection

进阶思路3：Qwen-Image

Qwen-Image可用于通用图像生成的GenEval、DPG和OneIG-Bench，以及用于图像编辑的GEdit、ImgEdit和GSO。Qwen-Image在所有基准测试中均取得了最先进的性能，展现出其在图像生成与图像编辑方面的强大能力。

https://huggingface.co/Qwen/Qwen-Image

from diffusers import DiffusionPipeline
import torch

model_name = "Qwen/Qwen-Image"

# Load the pipeline
if torch.cuda.is_available():
    torch_dtype = torch.bfloat16
    device = "cuda"
else:
    torch_dtype = torch.float32
    device = "cpu"

pipe = DiffusionPipeline.from_pretrained(model_name, torch_dtype=torch_dtype)
pipe = pipe.to(device)

positive_magic = {
    "en": "Ultra HD, 4K, cinematic composition." # for english prompt,
    "zh": "超清，4K，电影级构图" # for chinese prompt,
}

# Generate image
prompt = '''A coffee shop entrance features a chalkboard sign reading "Qwen Coffee 😊 $2 per cup," with a neon light beside it displaying "通义千问". Next to it hangs a poster showing a beautiful Chinese woman, and beneath the poster is written "π≈3.1415926-53589793-23846264-33832795-02384197". Ultra HD, 4K, cinematic composition'''

negative_prompt = " " # using an empty string if you do not have specific concept to remove


# Generate with different aspect ratios
aspect_ratios = {
    "1:1": (1328, 1328),
    "16:9": (1664, 928),
    "9:16": (928, 1664),
    "4:3": (1472, 1140),
    "3:4": (1140, 1472),
    "3:2": (1584, 1056),
    "2:3": (1056, 1584),
}

width, height = aspect_ratios["16:9"]

image = pipe(
    prompt=prompt + positive_magic["en"],
    negative_prompt=negative_prompt,
    width=width,
    height=height,
    num_inference_steps=50,
    true_cfg_scale=4.0,
    generator=torch.Generator(device="cuda").manual_seed(42)
).images[0]

image.save("example.png")

最后、祝大家上分愉快！