Venus-DeFakerOne：統一的偽造圖像檢測與定位

近年來，生成式AI技術的飛速發展徹底改變了圖像偽造的範式，打破了傳統文檔編輯、自然圖像處理、深度偽造生成以及全圖AIGC合成之間的界限。儘管偽造生成機制呈現出統一化的趨勢，但現有的偽造圖像檢測與定位（FIDL）研究卻仍然分散在不同領域，導致通用生成模型與領域特定檢測範式之間存在嚴重錯配。為了解決這一問題，研究團隊提出了DeFakerOne——一個以數據為中心的統一FIDL基礎模型。

DeFakerOne創新性地整合了InternVL2和SAM2兩大模型，能夠同時進行圖像級別的偽造檢測和像素級別的偽造定位。這種聯合任務設計使其適用於廣泛的應用場景，從簡單的圖像篡改到複雜的深度偽造和AIGC合成圖像。實驗結果表明，DeFakerOne在39個偽造檢測基準和9個定位基準上均達到了最先進的性能，顯著超越了現有基線模型。更重要的是，該模型對真實世界中的各種擾動（如壓縮、縮放、噪聲等）以及最新生成器（包括GPT-Image-2）生成的高質量偽造圖像表現出極強的魯棒性。

除了模型本身，研究團隊還進行了系統性的分析，深入探討了數據縮放定律、跨域偽影的遷移與干擾模式、細粒度監督的必要性以及原始分辨率偽影的保留等問題。這些分析為構建可擴展、魯棒且統一的FIDL模型提供了重要的設計原則。DeFakerOne的成功不僅展示了統一FIDL模型的巨大潛力，也為應對日益複雜的圖像偽造威脅提供了切實可行的技術方案。