FRAME：面向图像篡改检测的 Forensic Routing 与自适应多路径证据融合

复杂图像编辑工具和生成式人工智能模型的流行使验证数字图像的真实性日益具有挑战性，这对新闻、司法鉴定和公众信任都具有重要影响。尽管已developed 诸多 forensic 算法，从手工方法到深度学习检测器，但 individual 方法常 suffer于鲁棒性有限、证据碎片化或在不同篡改类型和图像条件下泛化能力弱。为此，我们提出 \textbf{FRAME}，即 \textbf{F}orensic \textbf{R}outing and \textbf{A}daptive \textbf{M}ulti-path \textbf{E}vidence fusion for image manipulation detection。FRAME 将多样化的 forensic 算法组织到多路径分析空间中，自适应选择每个输入图像的有益 forensic 路径，并融合互补证据以提高检测和局化性能。通过超越单方法分析和固定融合策略，FRAME 提供了更稳健、更灵活的图像 forensic 推理方法，同时保留来自多个证据来源的可解释 forensic 线索。实验结果表明，FRAME 在多样化篡改情景下均表现出色。代码可在 \href{https://github.com/kzhao5/FRAME}{https://github.com/kzhao5/FRAME} 获取。