ARMOR++：用于 Deepfake 探测器可转移攻击的多域原语集的代理编排

Deepfake 探测器的可靠性在黑盒对抗性传输下经常会降低，因为这些模型通常依赖于脆弱的、依赖于架构的取证线索。现有的转移攻击通常缺乏语义意识，并且难以在严格的无查询约束下保持有效性，特别是当扰动从卷积代理转移到基于 Transformer 的目标时。为了解决这些限制，本文引入了 ARMOR++，这是一种强大的多代理框架，专为高可转移性的 Deepfake 规避而设计。该框架利用 Qwen2.5-VL 视觉语言模型 (VLM) 提供空间语义先验，而 Qwen3 大语言模型 (LLM) 则协调基元选择、自适应超参数重新参数化和熵正则化扰动混合。通过集成五个互补的原语，涵盖密集优化、基于显着性的方法、空间变换、频域扰动和块结构修改，ARMOR++ 有效地针对异构归纳偏差。对 AADD-2025 基准的严格评估表明，ARMOR++ 在低质量和高质量图像体系中均显着优于现有的代理和非代理基线。统计分析证实，与最先进的代理基准相比，盲目标攻击成功率 (ASR) 有了显着提高，与非代理基准相比和在强大的防御配置下，进一步证明了性能优势。这些发现凸显了当前深度伪造检测器部署中存在的显着剩余可靠性差距，并证明了代理编排在识别潜在漏洞方面的有效性。