混沌中的秩序：捕获内在能量异常以进行人工智能操纵的图像伪造定位

生成式人工智能的最新进展使得图像编辑模型能够生成逼真的伪造品，从而规避传统的图像伪造定位方法，因为这些方法依赖于合成数据中不存在的物理噪声。为了应对这一挑战，我们从理论上证明，扩散过程本质上抑制了局部高频方差，从而产生了与光学成像的自然熵不同的统计能隙。在这一见解的指导下，我们提出了 FLAME，这是一个统一的框架，利用 LAD 地图来捕获这些内在异常，并与 SAM 的参数高效适配器相结合，以实现精确的像素级伪造定位。此外，为了弥补取证基准和不断发展的生成模型之间的滞后，我们引入了 EditStream，这是一种用于连续、基于指令的训练数据合成的自动化管道。大量实验表明，FLAME 建立了一种新的最先进技术，在人工智能生成的伪造数据集上显着优于以前的方法，同时有效地推广到看不见的生成架构。我们的代码可在 https://github.com/phoenixnir/FLAME 获取。