研究剖析智能体图像取证：推理能力为抗分布偏移主导因素
论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对开放世界伪造图像检测，研究剖析了基于多模态大语言模型的无训练智能体框架，探究分诊、提示与证据仲裁的作用。实验表明，简单融合检测器在真实图上误报率极高；分诊与提示通过过滤不可靠证据能稳定提升表现；但推理质量才是决定性因素，强评判模型在分布偏移下优势显著。此外，各类配置的篡改召回率均近饱和，当前核心挑战已非发现篡改，而是校准对专业工具的信任及仲裁冲突证据。该文被ECCV 2026的AI4MFDD研讨会接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载开放世界取证挑战
图像取证正面临开放世界难题，篡改手段涵盖全合成、局部编辑、拼接与替换等，而多数现有检测器仅针对单一篡改家族设计。智能体AI被视为潜在方案，因其能评估单检测器可靠性、识别超范围证据并仲裁冲突报告。然而，驱动该系统性能的核心组件及分布偏移下的收益尚不明确。为此，研究围绕专业检测器、单检测器分诊与冲突感知证据仲裁，构建了无需训练的智能体框架进行深入剖析。
组件效能与推理质量
通过六种配置与三种多模态大语言模型骨干的实验，研究揭示了各组件效能。基线方法即简单融合检测器，在真实图像上产生极高误报率。引入分诊与提示机制后，通过过滤不可靠证据及暴露检测器局限，性能获得稳定提升。然而，推理质量本身构成了最主导因素：配备更强评判能力的模型显著超越较弱者，尤其在面临分布偏移时优势更为突出。
核心瓶颈转移
实验发现一个关键现象：在所有测试配置中，对篡改操作的召回率几乎达到饱和。这表明开放世界图像取证的主要挑战已不再是单纯发现篡改操作，而是)如何=而是如何精准校准=对各类专业化取证工具的信任程度，并有效仲裁它们产生的冲突证据。该研究已被2026年欧洲计算机视觉大会(ECCV)的C的AI4MFDD研讨会接收。=E2F*
为什么值得看
揭示开放世界图像取证核心瓶颈已从发现篡改转向信任校准与冲突仲裁，且推理质量抗分布偏移最关键。
多模态智能体论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。