近日，TIME实验室2025级硕士生徐宇翔的一篇论文“BPL: Generalizable Deepfake Detection via Bias-only Pair-aware Learning”（作者：徐宇翔，何润东，晏志远，董奕聪，韩忠义，王晓燕，尹义龙）被International Conference on Machine Learning（ICML）2026会议录用。ICML与NeurIPS、ICLR并称“机器学习三大顶会”，属于CCF A类会议。

AI生成图像的检测被视为一个二分类问题，现有的方法通常将真实图像和伪造图像视为独立的实例。然而，这种设定忽略了生成数据集的一个基本结构属性：伪造图像并非独立的样本，而是与共享相同语义源的真实图像隐式配对的。由于忽略了这种真实与伪造之间的对应关系，当前的检测模型未能充分利用样本之间由生成引起的差异，往往依赖于特定生成器的线索，并迅速对训练中见过的伪造模式产生过拟合，从而严重削弱了其对未知生成方法的泛化能力。为解决这些挑战，我们提出了基于仅偏置配对感知学习（BPL）的新型检测框架。我们通过主动挖掘真实-伪造图像对来揭示隐蔽的生成差异，并引入配对差异学习与反转机制，在放大生成偏差的同时有效防止模型过拟合。同时，配合仅更新偏置参数的轻量级微调方案，我们在不破坏预训练视觉语言模型语义先验的前提下，实现了高鲁棒性的自适应与泛化。在跨伪造方法的检测任务中，BPL展现出了良好的泛化能力，相比现有主流方法取得了更优的检测效果。在涵盖多种伪造技术的基准测试中，BPL表现优异。此外，在极端数据稀缺的场景下，该方法依然保持了较高的稳定性，进一步验证了其相较于传统全参数微调方案的优势。