剖析代理取证：分类、提示和证据仲裁在开放世界假图像检测中的作用

图像取证日益成为一个开放世界的问题：操作范围从完全合成图像到本地化编辑、拼接和交换，而大多数取证探测器仍然专门针对单个操作系列。代理人工智能最近成为一种有前景的解决方案。原则上，此类系统可以评估单个探测器的可靠性，识别范围外的证据，并仲裁相互矛盾的报告。然而，目前尚不清楚哪些组件真正推动了性能以及它们的优势在分销转移下是否持续存在。为了回答这些问题，我们研究了一个围绕专业检测器、每个检测器分类和冲突感知证据仲裁构建的免训练代理框架。使用六种配置和三个多模态大型语言模型主干，我们剖析了分类、提示和推理质量对分布内和分布外数据的作用。我们的结果表明，朴素检测器融合在真实图像上存在严重的误报率。分类和提示通过过滤不可靠的证据和暴露检测器的局限性来持续提高性能。然而，主导因素是由推理本身所代表的：较强的法官明显优于较弱的法官，特别是在分配转移的情况下。最值得注意的是，在所有配置中，操纵召回率几乎饱和，这表明开放世界图像取证的主要挑战不是检测操纵，而是校准对专用取证工具的信任并仲裁相互矛盾的证据。