生成式人工智能的快速进步让图像伪造变得愈发逼真，普通人几乎难以凭肉眼分辨真假。这一趋势对可信的图像认证系统提出了迫切需求。然而，现有的取证检测器虽然能够针对某些特定类型的伪造进行识别，却普遍缺乏可解释性：它们往往只给出一个真假判断，却难以说明判断依据来自何处。另一方面，视觉语言模型（VLM）能够生成自然语言的解释，却无法有效利用图像中的取证痕迹来完成可靠的检测任务。针对这一矛盾，论文《Trustworthy Image Authentication using Forensic Knowledge Graphs》提出了一种统一的框架——取证知识图谱（Forensic Knowledge Graphs，简称 FKG），试图将取证证据提取、结构化推理与人类可理解的解释三者整合到一起。
FKG 的核心思想是将取证痕迹以结构化的方式组织起来。该结构不仅编码了各类取证痕迹本身，还记录了痕迹之间的因果依赖关系，以及这些痕迹与场景内容之间的关联。这样一来，系统在给出判断时，能够沿着图谱中的因果链条追溯证据来源，从而形成有依据、可核查的解释，而不再是黑箱式的输出。为了生成准确的知识图谱，研究团队设计了一个新颖的取证认证网络，并提出了名为“迭代上下文精炼”（Iterative Context Refinement）的策略。该策略用于引导视觉语言模型产生忠实且扎根于证据的解释，避免模型凭空编造理由。
在数据层面，作者构建并发布了 FKG-50K 数据集，其中包含 50,000 张真实感较强的伪造图像，并为每张图像提供了作为标准答案的 FKG 标注。这一数据集为训练和评估基于知识图谱的取证方法提供了基础。实验结果表明，FKG 在检测、伪造类型识别与定位，以及取证论证等多个任务上，均优于传统的取证检测器和单纯依赖视觉语言模型的方法。该论文已被 ECCV 2026 接收并发表，属于计算机视觉与模式识别（cs.CV）方向，提交时间为 2026 年 6 月 22 日，作者为 Tai D. Nguyen 等。
从更广的意义上看，这项工作回应了深度伪造泛滥背景下对“可信认证”的现实需求：不仅要判断图像是否被篡改，还要能够解释为何如此判断，并指出伪造发生在何处、属于何种类型。通过把取证痕迹、因果依赖与场景语义整合进统一的知识图谱结构，FKG 为可解释的图像取证提供了一条兼顾检测性能与解释可信度的技术路径。