超越语义先验：减轻通用视觉取证的优化崩溃

虽然像 CLIP 这样的视觉语言模型 (VLM) 已经成为可推广的深度伪造检测的主导范例，但代表性脱节仍然存在：它们以语义为中心的 预训练 不适合捕获超现实合成固有的非语义伪影。在这项工作中，我们确定了一种称为优化崩溃的故障模式，一旦扰动半径超过狭窄的阈值，使用锐度感知最小化（SAM）训练的检测器就会退化为对非语义伪造的随机猜测。为了从理论上形式化这种崩溃，我们提出了临界优化半径（COR）来量化优化景观的几何稳定性，并利用梯度信噪比（GSNR）来衡量泛化潜力。我们建立了一个定理，证明 COR 随着 GSNR 单调增加，从而揭示了 SAM 优化的几何不稳定性源于内在泛化潜力的退化。该结果将 GSNR 的逐层衰减确定为检测非语义伪造时优化崩溃的根本原因。尽管简单地减小扰动半径可以在 SAM 下产生稳定的收敛，但它只是治疗症状，而没有减轻内在的泛化退化，需要增强梯度保真度。基于这一见解，我们提出了对比区域注入 Transformer (CoRIT)，它将计算效率高的对比梯度代理 (CGP) 与三种 无需训练 策略集成在一起：用于抑制 CGP 方差的区域细化掩模、用于保留 CGP 幅度的区域信号注入以及用于获得更通用表示的分层表示集成。大量实验表明，CoRIT 可以减轻优化崩溃，并在跨领域和通用伪造基准上实现最先进的泛化。