NeXT-IMDL：构建面向下一代图像操纵检测与定位的基准
计算机视觉与模式识别
2026-03-26 v2
摘要
用户友好图像编辑模型的可及性提升及滥用风险，使得对图像操纵检测与定位（IMDL）的通用、最新方法迫切需求。当前IMDL研究通常采用跨数据集评估，即在一个基准上训练的模型在其他基准上测试。然而，这种简化的评估方式掩盖了现有方法在处理多样化AI生成内容时的脆弱性，导致对进展产生误判。本文提出NeXT-IMDL，一个大规模诊断性基准，旨在不仅收集数据，更系统性探索当前检测器的泛化边界。具体而言，NeXT-IMDL沿四个基本维度对AIGC-based操纵进行分类：编辑模型、操纵类型、内容语义和伪造粒度。基于此，NeXT-IMDL实施了五套严格的跨维度评估协议。我们在11个代表模型上的广泛实验揭示了关键洞察：尽管这些模型在原生环境中表现良好，但在我们设计的评估协议下（模拟真实世界各种泛化场景），会出现系统性失效和显著性能下降。通过提供这套诊断工具和新的发现，旨在推动向构建真正稳健、面向下一代IMDL模型的发展。
引用
@article{arxiv.2512.23374,
title = {NeXT-IMDL: Build Benchmark for NeXT-Generation Image Manipulation Detection & Localization},
author = {Yifei Li and Haoyuan He and Yu Zheng and Bingyao Yu and Wenzhao Zheng and Lei Chen and Jie Zhou and Jiwen Lu},
journal= {arXiv preprint arXiv:2512.23374},
year = {2026}
}
备注
Duplicate experiment results in Table 3 (Set-1 & Set-2)