UniShield：通过 KG-Informed 多模态推理进行统一人脸攻击检测

统一人脸攻击检测（UAD）需要在共享决策空间内识别物理欺骗和数字伪造，但现有的判别性或基于提示的方法很大程度上依赖于外观相关性，并提供有限的基于证据的推理。我们提出了UniShield，一种基于知识的多模态推理框架，用于统一人脸攻击防御。 UniShield 构建了一个人脸攻击知识图 (FAKG)，将攻击类别与诊断视觉线索和攻击条件关系联系起来，并使用它来合成 52,025 个 FAKG-QA 示例，用于攻击图指令调整 (AGIT)。为了提高基本原理的一致性，我们进一步引入了图一致推理优化（GCRO），这是一种基于 GRPO 的目标，具有 KG 一致性奖励，鼓励生成的基本原理与图支持的线索相匹配，同时惩罚不兼容的主张。我们的多模式 UAD 基准测试表明，UniShield 在二进制、粗粒度和细粒度协议中实现了强大的性能，并且具有一致的高 ACC 和低 HTER。这些结果表明，与判别性基线和通用 MLLM 相比，结构化攻击知识可以提高检测准确性和推理可靠性。我们的代码将在 https://anonymous.4open.science/r/Unishield-A6A3/ 发布。