Humanizer — 对抗 AI 分类器¶

文件：humanizer.py（51 行）

原理来源：NeuralBleach (MIT)

问题背景¶

AI 生成图像有一个共同特征：数字完美性。

完全无胶片颗粒噪声
无光学色差（chromatic aberration）
像素统计高度规则
频域特征干净

AI 图像分类器（如 Hive Moderation、Optic AI、Illuminarty）正是利用这些特征来判断图像是否为 AI 生成。

解决方案：注入模拟胶片缺陷¶

通过人为注入胶片摄影的特征，使 AI 生成图像在统计特征上接近真实相机拍摄的照片。

实现¶

def apply_analog_humanizer(image, grain_intensity=4.0, chromatic_shift=1):
    img_f = image.astype(np.float64)
    r, g, b = img_f[:,:,0], img_f[:,:,1], img_f[:,:,2]

    # 1. 色差注入（chromatic aberration）
    r = np.roll(r, -chromatic_shift, axis=1)  # 红通道左移
    b = np.roll(b, chromatic_shift, axis=1)   # 蓝通道右移

    # 2. 胶片颗粒（高斯噪声）
    noise = np.random.normal(0, grain_intensity, img_f.shape)
    humanized = np.clip(img_f + noise, 0, 255).astype(np.uint8)

    return humanized

两个效果¶

1. 色差注入¶

真实相机镜头存在色差——不同波长的光折射角不同，导致 RGB 通道有微小的空间偏移。AI 生成图像完全没有这种偏移。

r = np.roll(r, -1, axis=1)  # 红通道向左偏移 1 像素
b = np.roll(b, 1, axis=1)   # 蓝通道向右偏移 1 像素

偏移量 chromatic_shift=1 像素——肉眼几乎不可见，但足以打破 AI 图像的"零色差"特征。

2. 胶片颗粒¶

真实胶片（甚至数码相机在高 ISO 下）都有颗粒噪声。AI 生成图像的像素值过于"干净"。

noise = np.random.normal(0, grain_intensity, img_f.shape)
# grain_intensity 典型值：2.0 ~ 6.0

2.0：极轻微，肉眼几乎看不出
4.0：中等，轻微胶片感
6.0：明显，模拟高 ISO 胶片

参数调优¶

参数	范围	效果
`grain_intensity`	2.0 - 6.0	噪声强度，越高越"胶片"
`chromatic_shift`	1 - 3	色差偏移像素数，1 即可

使用方式¶

# CLI
remove-ai-watermarks invisible image.png -o clean.png --humanize 4.0

# Python API
from remove_ai_watermarks.humanizer import apply_analog_humanizer
result = apply_analog_humanizer(image, grain_intensity=4.0, chromatic_shift=1)

局限性¶

Humanizer 对抗的是统计特征检测器，不是对抗专门训练的分类器
如果分类器训练数据包含胶片风格的 AI 图像，Humanizer 效果会减弱
高 grain_intensity 会降低图像质量——需要在"绕过检测"和"视觉质量"之间取平衡
对抗 GAN 指纹检测器（如 EXIF-based 方法）无效

与其他工具的关系¶

Humanizer 在 InvisibleEngine 的后处理阶段执行：

水印移除 → 人脸恢复 → Humanizer → 上采样 → 输出

它不是独立的水印去除手段，而是作为"最后一道伪装"叠加在扩散再生之后。