ClueAegis：用于统一循证合成图像检测的启发式推理认知技能学习

生成模型的快速发展使得合成图像变得越来越真实，这给可靠检测带来了挑战。现有方法通常仅限于端到端分类或整体推理，因此无法对结构化取证推理和异构视觉证据进行建模。我们从认知角度重新审视合成图像检测，并提出了一个用于基于证据的取证分析的 \textit{Heuristic-to-Reasoning} 认知技能学习框架。给定输入图像，我们的框架首先提取启发式感知线索，选择最佳取证技能，然后执行技能条件推理以进行证据提取和决策。为了支持这种范式，我们引入了 \textbf{ClueAegis-Bench}，它将合成图像检测分解为明确注释的取证认知技能，以进行二元分类之外的结构化评估。基于这个基准，我们提出了 \textbf{ClueAegis} （\underline{C}认知技能 \underline{L}earning for \underline{U}nified \underline{E}vidence-based Synthetic Image Inspection），这是一个两阶段的代理框架，它进行启发式技能选择，然后通过技能条件工具链进行证据引导推理。该设计将合成图像检测重新表述为可配置的多技能推理过程，连接感知、技能选择和取证推理。大量实验表明，ClueAegis 实现了最先进的性能，同时提高了跨域泛化性和鲁棒性。它还提供透明的推理轨迹和结构化的取证证据，为传统的端到端检测器提供了更可解释的替代方案。