感知、判决和进化：用于人工智能生成图像检测的后见之明驱动的自我完善取证代理

生成模型的快速发展对现有的深度伪造检测方法提出了重大挑战，特别是考虑到高度逼真的人工智能生成图像的广泛传播。尽管多模态 大语言模型 (MLLM) 在这项任务上显示出强大的潜力，但现有方法存在两个关键限制：对细粒度取证工件的敏感性不足，以及依赖前沿模型的静态综合监督，导致灵活性有限且成本高昂。为了解决这些问题，我们提出了 ForeAgent，这是一种代理取证框架，用于通过迭代自我进化来检测人工智能生成的图像。首先，ForeAgent 采用感知-判决架构，聚合跨越语义、空间和频域特征的多视图线索，并利用 MLLM 作为判决模块来融合这些信号，以得出基于逻辑的判决。其次，为了实现持续的自我改进，我们引入了遵循采样-反思-进化范式的后见之明驱动的自我完善策略。代理对训练实例执行推理轨迹。在 真值 标签作为后见之明的指导下，它反思失败案例和低质量推理轨迹，以重新生成更高质量的推理轨迹。然后，这些合成的样品通过双专家质量门控模块进行严格过滤。 ForeAgent 通过 微调 在自行策划的高质量样本上不断发展。大量实验表明，ForeAgent 在 Chameleon 基准上实现了最先进的性能，达到 82.18% 的准确率（比 AIDE 高出 16.41%），并在 16 个生成器的 AIGCDetect-Benchmark 上实现了 93.3% 的平均准确率。此外，外部评估表明，与 GPT-5 和 GPT-5-mini 相比，ForeAgent 产生的推理更加一致且基于因果关系。