AIFIND：基于语义锚点的细粒度对齐，用于增量人脸 Forgery 检测

随着伪造类型不断出现，增量人脸 Forgery 检测（IFFD）已成为关键范式。然而，现有方法通常依赖数据重放或粗糙的二元监督，无法明确约束特征空间，导致严重的特征漂移和灾难性遗忘。为此，我们提出了 AIFIND（Artifact-Aware Interpreting Fine-Grained Alignment for Incremental Face Forgery Detection），通过语义锚点稳定增量学习。我们设计了基于 Artifact-Driven 的语义先验生成器，以实例化不变的语义锚点，从而从低层次的 Artifact 线索中建立固定的坐标系。这些锚点通过 Artifact-Probe 注意力机制注入图像编码器，显式约束 volatile 视觉特征对齐到稳定的语义锚点。自适应决策和谐器通过保持语义锚点的角度关系来调和分类器，维持跨任务的几何一致性。大量实验在多个增量协议上验证了 AIFIND 的优越性。