ForensicConcept：用于 AIGI 检测的可转移取证概念

人工智能生成的图像检测器在分布数据上实现了高精度，但在看不见的生成器上经常失败。理解这种失败的一个关键障碍是当前探测器的黑匣子性质：它们没有揭示哪些证据驱动了它们的决策。我们提出了 ForensicConcept，这是一个从检测器中提取明确的取证概念并使其能够跨主干网传输的框架。我们的方法通过 Transformer 归属来本地化决策关键补丁，将它们聚集成一个紧凑的概念密码本，并使用概念对齐的投影来生成可审计的证据读数。先前的研究表明 DINO 表示可以指导扩散生成并表现出与扩散特征的概念级对应关系，受此启发，我们引入了基于 CleanDIFT 扩散特征的生成跟踪参考，并通过邻域结构一致性（CKNNA）量化主干跟踪对齐。我们进一步提出概念码本注入，将扩散衍生的概念转移到目标主干中。 GenImage、GAN 系列和 Chameleon 基准测试的实验表明，与之前的方法相比，取得了一致的改进。我们还发现 CKNNA 比对可以预测转移有效性，为为什么某些主干网比其他主干网产生更多可转移的法医证据提供了原则性解释。