Khoa Công nghệ thông tin xin gửi lời chúc mừng đến các nhóm Sinh viên chương trình Tiên tiến đã có đề tài khóa luận xuất sắc cùng với công bố trên Hội nghị uy tín quốc tế rank B.


🌟 Bài báo: PatchDPS: Patch-wise Dual-Perturbation Sensitivity for Training-Free AI-Generated Image Detection

👉 Link bài báo: https://drive.google.com/file/d/19VwOjHyiBT7r6x1zvAh7D5lGdTagmi_g/view 

����‍���� Các tác giả: SV. Võ Thịnh Phát và SV. Mai Đăng Khoa - Sinh viên Chương trình Tiên tiến, khóa tuyển 2022

  • Giảng viên cùng thực hiện: PTS. TS. Trần Minh Triết và ThS. Đỗ Trọng Lễ – Trường Đại học Khoa học tự nhiên, ĐHQG-HCM


🔥 Tóm tắt bài báo: As generative models produce increasingly realistic images, assessing visual authenticity becomes more challenging. Supervised detectors offer one response, yet their reliance on learned generation artifacts can limit generalization to unseen generators. We address this challenge with PatchDPS, a training-free framework for zero-shot AI-generated image detection built on the premise that local representation stability can reveal evidence obscured by whole-image analysis. PatchDPS decomposes an image into non-overlapping patches and probes each patch with two complementary perturbations: Haar wavelet high-frequency attenuation and additive Gaussian noise. A frozen pretrained vision backbone captures the resulting representation changes, which are measured using cosine, L1, and L2 distances. These sensitivities are calibrated using fixed real-image statistics and fused into patch-level scores, without training a classifier or fine-tuning the backbone. Rather than treating all regions equally, an adaptive aggregation rule selects the most sensitive patches relative to each image's score distribution, focusing the final score on informative local responses. Experiments on GenImage and Synthbuster yield mean AUROC values of 0.949 and 0.915, respectively, the highest among the compared training-free or zero-shot methods with complete generator coverage on each benchmark. Ablations favor adaptive selection over fixed-count aggregation and show limited sensitivity to fusion weights and backbone choice. Together, these results support localized perturbation sensitivity as a useful cue for detecting images from unseen generators, while corruption tests reveal its dependence on preserved local detail: performance is relatively stable under cropping but degrades substantially under strong blur and noise.


✨ Điểm nổi bật của bài báo: Bài báo đề xuất PatchDPS, một phương pháp phát hiện ảnh do AI tạo sinh theo hướng tiếp cận zero-shot và training-free, tức là không cần huấn luyện một bộ phân loại riêng biệt và không sử dụng ảnh giả trong quá trình phát triển (ảnh thật vẫn được phép sử dụng trong quá trình phát triển phương pháp để xây dựng các thống kê tham chiếu). PatchPDS xuất phát từ nhận định rằng hành vi của một mô hình thị giác đóng băng (frozen model) bản thân nó có thể chứa forensic evidence. Thay vì huấn luyện thêm một classifier, PatchDPS chủ động “probe” mô hình và quan sát phản ứng của representation trước các perturbation, từ đó khai thác sự khác biệt giữa ảnh thật và ảnh do AI tạo sinh. PatchDPS đạt AUROC trung bình 0.949 trên GenImage và 0.915 trên Synthbuster, đạt hiệu năng tổng thể tốt nhất trong số các phương pháp zero-shot/training-free được so sánh trên cả hai bộ dữ liệu. Bên cạnh ảnh được tạo sinh hoàn toàn, PatchDPS còn cho thấy khả năng phát hiện nội dung do AI tạo sinh cục bộ, đạt AUROC 0.814 trên NESS, cho thấy tiềm năng trong nhận diện các hình thức chỉnh sửa như AI inpainting.


🌈 Về International Conference on Neural Information Processing: ICONIP (rank B) diễn ra tại Melbourne, Australia từ ngày 23 đến 27 tháng 11 năm 2026, đây là diễn đàn học thuật thường niên cấp cao do Hiệp hội Asia Pacific Neural Network Society (APNNS) chủ trì tổ chức. Được xếp hạng B theo hệ thống phân loại CORE, hội nghị khẳng định vị thế uy tín trong cộng đồng nghiên cứu quốc tế, quy tụ các nhà khoa học và chuyên gia hàng đầu để công bố, trao đổi các thành tựu mới nhất thuộc các lĩnh vực trọng điểm như Artificial Neural Networks, Machine Learning, Computational Neuroscience và Intelligent Systems. Bên cạnh việc đẩy mạnh các công trình lý thuyết cốt lõi, ICONIP 2026 tiếp tục mở rộng phạm vi ứng dụng thực tiễn của AI trong xử lý dữ liệu phức tạp, qua đó đóng vai trò là cầu nối quan trọng thúc đẩy hợp tác nghiên cứu đa quốc gia và định hình các hướng đi công nghệ tiên phong cho toàn khu vực.

🍀 Công bố thuộc đề tài tốt nghiệp “Zero-Shot and Training-Free Detection of AI-Generated Images” đã đạt điểm 10 trong đợt bảo vệ năm 2026 và được đề xuất thành tích Nghiên cứu Khoa học - Công nghệ xuất sắc năm học 2025-2026.

🌻 Xin chúc mừng nhóm tác giả với những thành tựu nghiên cứu nổi bật này.

🌻Chúc các bạn sẽ tiếp tục đạt được thành công trong tương lai.