针对图像伪造检测的通用防伪攻击：多模态引导
计算机视觉与模式识别
2026-02-20 v2 密码学与安全
摘要
AI 生成内容 (AIGC) 技术的快速发展为真实性评估带来了重大挑战。然而，现有评估协议大多忽略了防伪攻击，无法确保最新 AIGC 检测器在实际应用中的综合鲁棒性。为弥合这一差距，我们提出了 ForgeryEraser，一个在不访问目标 AIGC 检测器的情况下执行通用防伪攻击的框架。我们揭示了一种对抗漏洞，源于视觉-语言模型 (VLM) 作为共享 backbone (如 CLIP) 的系统性依赖，下游 AIGC 检测器继承了这些公开可访问模型的特征空间。我们不采用传统的 logit-based 优化，而是设计了多模态引导损失，驱动伪造图像嵌入在 VLM 特征空间中趋向于文本派生的真实锚点以擦除伪造痕迹，同时远离伪造锚点。广泛实验表明，ForgeryEraser 对全球合成和局部编辑基准上的先进 AIGC 检测器造成显著性能下降。此外，ForgeryEraser 诱导出的可解释 forensic 模型会为伪造图像生成与真实图像一致的解释。我们的代码将公开提供。
引用
@article{arxiv.2602.06530,
title = {Universal Anti-forensics Attack against Image Forgery Detection via Multi-modal Guidance},
author = {Haipeng Li and Rongxuan Peng and Anwei Luo and Shunquan Tan and Changsheng Chen and Anastasia Antsiferova},
journal= {arXiv preprint arXiv:2602.06530},
year = {2026}
}
备注
17 pages, 11 figures