arXiv cs.AI· Qing Huang, Zhipei Xu, Xuanyu Zhang, Xiangyu Yu, Jian Zhang·· 9 天前AI 评分26
UniShield：面向统一伪造图像检测与定位的自适应多智能体框架
UniShield: An Adaptive Multi-Agent Framework for Unified Forgery Image Detection and Localization
AI 导读
UniShield 是一个基于多智能体的统一伪造图像检测与定位系统，可覆盖图像篡改、文档篡改、DeepFake 和 AI 生成图像等多个领域。它通过感知智能体分析图像特征并动态选择检测模型，再由检测智能体整合各类专家检测器并生成可解释报告。实验显示其性能超越现有统一方法和领域专用检测器。
正文 · AI 翻译
摘要：随着图像生成技术的快速发展，合成图像已变得日益逼真，带来了虚假信息和欺诈等重大社会风险。因此，伪造图像检测与定位（FIDL）对于维护信息完整性和社会安全至关重要。尽管现有的特定领域检测方法表现令人瞩目，但其实际适用性仍然有限，主要原因是其专业范围狭窄、跨域泛化能力差，以及缺乏集成的自适应框架。为解决这些问题，我们提出了 UniShield，这是一种新颖的基于多智能体的统一系统，能够跨多个领域检测和定位图像伪造，包括图像篡改、文档篡改、DeepFake 和 AI 生成图像。UniShield 创新性地将感知智能体与检测智能体集成在一起。感知智能体智能地分析图像特征，以动态选择合适的检测模型，而检测智能体则将各种专家检测器整合到一个统一框架中，并生成可解释的报告。大量实验表明，UniShield 取得了最先进的结果，超越了现有的统一方法和特定领域检测器，凸显了其卓越的实用性、自适应性和可扩展性。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.03161 [cs.CV] |
| （或使用 arXiv:2510.03161v4 [cs.CV] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2510.03161 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Qing Huang [查看电子邮件]
[v1]
2025年10月3日星期五 16:33:05 UTC（1,898 KB）
[v2]
2026年5月15日星期五 16:00:57 UTC（1,730 KB）
[v3]
2026年9月23日星期三 07:41:00 UTC（1,730 KB）
[v4]
2026年10月8日星期四 08:08:10 UTC（1,730 KB）
来源：arXiv cs.AI · arxiv.org