AgentFoX：LLM 代理引导融合，具有可解释性，用于人工智能生成的图像检测

人工智能生成图像 (AIGI) 的真实性对可靠的取证检测提出了越来越多的挑战，其中异构专家检测器可能会在不同的生成源和后处理条件下产生相互矛盾的预测。现有的多专家融合方法依赖于固定规则或学习的融合策略，评估样本特定可靠性、对冲突进行严格裁决以及提供基于证据的解释的能力有限。我们提出了 AgentFoX，这是一种用于 AIGI 检测的 LLM 驱动的代理多专家框架，它采用命令和推理核心来执行证据融合。遵循预定义的指导方针，核心协调指定的子任务来收集语义和信号级证据，对结构化上下文进行推理以确定真实性，并生成可审计的报告以进行解释。在此过程中，构建专家配置文件以进行以模型为中心的可靠性评估，而构建聚类配置文件以进行以数据为中心的上下文分析，共同建立解决冲突的证据上下文。跨不同基准的广泛评估证明了 AgentFoX 在复杂条件下的稳健性和通用性。