ClueAegis: 从启发式到推理的认知技能学习用于统一证据驱动的合成图像检测
计算机视觉与模式识别
2026-05-26 v1
摘要
生成模型的快速发展使得合成图像日益逼真，对可靠检测构成挑战。现有方法常局限于端到端分类或单一推理，无法建模结构化的forensic推理和异构的视觉证据。我们从认知视角重新审视合成图像检测，提出一种基于证据的forensic分析的启发式到推理认知技能学习框架。给定输入图像，本框架首先提取启发式感知线索，选择最佳forensic技能，然后进行技能条件推理以进行证据提取和决策。为支持这一范式，我们引入ClueAegis-Bench，将合成图像检测分解为明确标注的forensic认知技能，以超越二元分类的结构化评估。基于此基准，我们提出ClueAegis（Cognitive-skill Learning for Unified Evidence-based Synthetic Image Detection），一种两阶段智能体框架，执行启发式技能选择，然后通过技能条件工具链进行证据引导推理。该设计将合成图像检测重新表述为感知、技能选择和forensic推理之间的可配置多技能推理过程。广泛实验表明，ClueAegis实现了最先进的性能，同时改善了跨域泛化和鲁棒性。它还提供了透明的推理轨迹和结构化forensic证据，为传统端到端检测器提供了更具解释性的替代方案。
引用
@article{arxiv.2605.25009,
title = {ClueAegis: Heuristic-to-Reasoning Cognitive-skill Learning for Unified Evidence-based Synthetic Image Detection},
author = {Huangsen Cao and Hongkang Chu and Yuxi Li and Ying Zhang and Chen Li and Jing Lyu and Yongwei Wang and Yu Zhao and Fei Wu},
journal= {arXiv preprint arXiv:2605.25009},
year = {2026}
}