NOAI 2024 复赛第2题 | 一张32×32的图，怎么看出是AI画的？

计算机视觉 CNN

用NOAI复赛真题，构建孩子的AI知识图谱

每个知识点后续都会单独展开讲解，欢迎先关注收藏

这道题在做什么

5,000张真实照片，5,000张AI用扩散模型生成的假照片，每张只有32×32像素。你要训练一个卷积神经网络（CNN），判断一张图是真拍的还是AI生成的。

特别的是，评分不只看准确率——网络越简单，分数越高。层数多一层，准确率至少要高好几个百分点才能回本。

知识全景

这道题的知识链路和2024年第1题（投篮命中率预测）有重叠（监督学习、损失函数、优化器等），但新增了一整块内容：图像处理与卷积神经网络。

2024年第1题涵盖的监督学习、损失函数、梯度下降、过拟合等基础知识在这道题中同样适用，不再重复展开。

① 图像的数字表示

在计算机眼里，一张图片就是一堆数字。

一张32×32的彩色图片，由3层数字矩阵组成——红（R）、绿（G）、蓝（B）各一层。每一层的每个格子里是一个0到255的数字，表示这个像素在该颜色通道上的亮度。

所以这张图的数据形状是 3×32×32：3个通道、32行、32列，总共3,072个数字。

灰度图只有1个通道。视频是一连串图片。不管多复杂的视觉数据，底层都是数字矩阵。

理解"图片=数字矩阵"是所有计算机视觉任务的起点。

② 生成模型与AI图像

这道题里的"假图片"是用扩散模型（Diffusion Model）生成的。

扩散模型的思路很直觉：先把一张真实图片逐步加噪声，加到最后变成一团纯噪声。然后训练一个神经网络，学会"把噪声一步步去掉，还原成图片"。学会之后，从纯噪声出发，就能生成出看起来像真实照片的新图片。

这类能"创造新数据"的模型统称生成模型。扩散模型是目前最主流的一种，Midjourney、Stable Diffusion、DALL-E都基于这个思路。

但生成的图片和真实照片在细节纹理上有差异。人眼在32×32的分辨率下很难分辨，但CNN可以——这就是这道题存在的前提。

③ 卷积运算

2024年第1题用的MLP把所有输入拉成一条长向量，丢失了像素之间的空间关系。对图像来说，"这个像素旁边是什么"非常重要——这正是卷积运算要解决的问题。

卷积的操作是这样的：拿一个小的数字方块（比如3×3），在图片上从左到右、从上到下滑动。每滑到一个位置，把小方块和它覆盖的图片区域做逐元素乘法再求和，得到一个数字。滑完整张图，就产生了一张新的数字矩阵。

这个小方块叫卷积核（也叫滤波器）。它的大小（3×3、5×5等）决定了每次"看"多大一块区域。

关键的好处是：卷积核在整张图片上共享参数。不管图片多大，一个3×3的卷积核只有9个参数。而MLP对每个像素都有独立的权重——32×32的图片就需要1,024个权重连接到一个神经元。这让卷积对图像任务来说远比MLP高效。

④ 卷积核与特征提取

不同的卷积核提取不同的特征。

一个卷积核可能对横线敏感——在横线出现的地方输出大数字，其他地方输出小数字。另一个卷积核可能对竖线敏感，还有的对斜线、角点、纹理变化敏感。

浅层卷积核提取的是低级特征：边缘、线条、颜色变化。深层卷积核把低级特征组合起来，形成高级特征：形状、纹理模式、局部结构。

这道题里，CNN不需要认出"图片里是什么东西"。它只需要捕捉到纹理层面的统计差异——AI生成的图片在像素过渡上往往更平滑，缺少真实照片中相机传感器带来的细粒度噪声。这种差异恰好是浅层卷积核擅长提取的。

这也解释了为什么这道题只需要2层卷积就能达到不错的效果。

⑤ 池化

卷积之后，特征图（Feature Map）的尺寸和输入一样大（如果用了padding的话）。为了减小数据量、提取更宏观的信息，需要池化。

最常用的是最大池化（Max Pooling）：把特征图划分成不重叠的小块（比如2×2），每个小块只保留最大值。一次2×2的最大池化，特征图的宽和高都减半。

池化的作用

• 缩小尺寸：减少后续层的计算量

• 提取主要特征：只保留局部最显著的响应

• 增加平移不变性：特征稍微移动几个像素，池化后的结果不变

这道题要求至少2个MaxPool2d层。每次2×2池化将尺寸减半——32×32经过两次池化变成8×8。

⑥ 卷积神经网络（CNN）

把卷积层、激活函数、池化层、线性层组合起来，就构成了卷积神经网络。

一个典型的CNN结构：

输入图片 → [卷积 → 激活 → 池化] × N → 展平 → 线性层 → 输出

• 卷积+激活+池化这个组合重复若干次，逐步提取越来越抽象的特征，同时缩小尺寸

• 展平（Flatten）把最终的特征图从三维（通道×高×宽）拉成一维向量

• 线性层把特征向量映射到最终的分类结果

CNN是计算机视觉领域的基础架构。从2012年AlexNet在ImageNet上大幅领先传统方法开始，CNN一直是图像识别的核心工具。

后来出现了更复杂的CNN变体（ResNet、VGG、EfficientNet等），但基本组件都是一样的：卷积+池化+全连接。

⑦ 数据增强

训练数据越多，模型越不容易过拟合。但如果训练集就那么大怎么办？

数据增强在不增加真实数据的情况下，人为制造更多样的训练样本。对图像来说，常见的增强方式包括：

• 随机水平翻转：左右镜像

• 随机裁剪：裁掉边缘的一小部分，再缩放回原尺寸

• 颜色抖动：微调亮度、对比度、饱和度

• 随机旋转：小角度旋转

每个epoch里，同一张图片经过不同的随机变换，模型看到的都是"稍微不一样"的版本。这迫使模型学习真正有用的特征，而不是记住训练图片的具体样子。

注意：数据增强只在训练时使用，测试时不用——测试时你希望得到稳定、可重复的结果。

⑧ 批归一化（BatchNorm）

2024年第1题讲了数据归一化——在输入数据进入网络之前做一次缩放。批归一化把这个思路推广到了网络内部：在每一层的输出上也做归一化。

为什么需要这样做？随着训练的进行，每一层的输入分布会不断变化（因为前面的层在更新参数）。下一层刚适应了上一层的输出分布，上一层参数一更新，分布又变了。这让训练不稳定，需要更小的学习率和更多的epoch。

BatchNorm在每一层之后把输出标准化为均值0、标准差1，然后再学两个参数把它缩放到合适的范围。这相当于在每一层都"重置"了数据的分布，让训练更稳定、收敛更快。

在这道题的评分公式中，BatchNorm不算作卷积层或线性层，不影响复杂度分。它是一个"免费"的性能提升。

⑨ 模型复杂度与评分权衡

这道题的评分公式把准确率和模型简单性放在一起考量：

最终得分 = (1/(卷积层数+线性层数+1) + 准确率) × 3/4

这不只是一个做题技巧——它反映了机器学习中一个核心问题：模型复杂度与性能的权衡。

更复杂的模型（更多层、更多参数）理论上能表达更复杂的关系。但复杂度的代价是：

• 计算成本：更多参数意味着更慢的训练和推理

• 过拟合风险：参数多了更容易记住训练数据的噪声

• 部署难度：在手机、嵌入式设备等资源有限的环境下，大模型可能跑不动

在实际工程中，一个轻量但准确率95%的模型，往往比一个庞大但准确率97%的模型更有价值。这道题的评分公式就是在训练这种思维：不是越大越好，而是用最少的资源达到最好的效果。

这道题把战场从"二维坐标"搬到了"图像"，核心武器从MLP换成了CNN。理解卷积的本质——用小窗口在图上滑动提取局部特征——就抓住了计算机视觉最重要的一个思想。