Veritas++：基於價值感知線上策略蒸餾的感知增強型AIGI檢測框架

当前，图像生成技术的迅猛发展使得合成图像在开放媒体环境中成为常态，这给数字内容的真实性验证带来了严峻挑战，使得构建鲁棒且具备强泛化能力的AI生成图像（AIGI）检测系统成为紧迫需求。虽然多模态大语言模型（MLLMs）因其透明的推理过程，被视为替代传统黑盒二分类评分器的有力候选者，但我们在实践中观察到，现有的基于MLLM的检测器在捕捉细粒度异常方面仍存在显著的感知瓶颈。这些模型往往过度关注视觉证据的组织与合成逻辑，却忽视了模型内在感知能力的优化，导致其在面对复杂或隐蔽的生成痕迹时表现不佳。针对这一关键缺口，本文提出了Veritas++，这是一种感知增强的推理框架，旨在将可靠的感知能力确立为真实性推理的坚实基础。与直接优化模型的解释性能力不同，Veritas++将AIGI检测 grounding 在三种核心感知能力之上：即捕捉细粒度视觉细节、识别语义异常以及检测像素级差异。这种设计思路从根本上改变了检测器的训练目标，使其从单纯的分类任务转向对图像底层真实性的深度感知，从而为解决当前检测器在复杂场景下泛化能力不足的问题提供了全新的视角和解决方案。 在技术实现层面，本文提出了一套创新的方法论，主要包括面向感知学习（PoRL）和价值感知在线策略蒸馏（VaOPD）两大核心组件。PoRL机制彻底摒弃了传统方法中依赖开放式描述监督的做法，转而引入可验证的奖励信号，显式地强化模型在上述三种基本感知能力上的表现。这种奖励机制不仅提供了更明确的优化方向，还确保了模型在学习过程中能够专注于那些对检测性能有实质贡献的特征。与此同时，为了将增强的感知能力与推理过程深度融合，我们设计了VaOPD机制。这是一种自适应的蒸馏策略，它通过一个特权自教师（privileged self-teacher）来指导小模型的训练。VaOPD的核心创新在于其能够动态评估蒸馏信号的价值，优先选择那些高价值、高信息量的样本进行蒸馏，而非采用均匀的监督方式。这种机制使得小模型能够更高效地内化感知感知的推理逻辑，从而在保持轻量级的同时，获得接近大模型的感知与推理能力。整个框架通过这种分层且自适应的学习策略，实现了从底层感知到高层推理的无缝衔接。 为了验证Veritas++的有效性，我们在多个维度的数据集和基准测试上进行了广泛的实验，包括标准数据集、野外真实场景数据以及新兴的对抗性基准。实验结果显示，Veritas++在各项指标上均取得了令人瞩目的泛化性能提升。特别是在感知学习模块的作用下，模型成功弥合了以往检测器在细粒度特征捕捉上的感知差距，带来了检测精度的显著增益。消融实验进一步揭示，PoRL机制对于提升模型的细粒度感知能力至关重要，而VaOPD则在不牺牲现有性能的前提下，实现了模型能力的高效进化。与基线方法相比，Veritas++不仅在准确率上表现优异，还在推理效率和鲁棒性方面展现出巨大优势。这些结果有力地证明了，通过强化基础感知能力并采用价值感知的蒸馏策略，可以显著提升MLLM在AIGI检测任务中的综合表现，为后续研究提供了宝贵的实验依据和数据支持。 Veritas++的提出不仅对学术界具有深远意义，也对工业落地和开源社区产生了积极影响。对于开源社区而言，该框架提供了一套可复现且高效的AIGI检测方案，其代码和检查点已公开，降低了研究者进入该领域的门槛。在工业落地方面，由于其良好的泛化能力和高效的推理机制，Veritas++有望被集成到内容审核、版权保护等实际应用中，帮助平台更有效地识别和过滤AI生成内容。此外，该框架所提出的感知增强理念和价值感知蒸馏策略，也为其他需要高精度感知与推理结合的任务提供了新的思路，可能推动多模态学习领域在感知-推理耦合机制上的进一步探索。随着AI生成技术的持续演进，Veritas++所建立的可靠感知基础，将为构建更加可信、透明的数字内容生态系统提供坚实的技术支撑，具有长远的行业影响力和研究价值。