随着生成式人工智能技术的快速发展，AI生成内容（AIGC）在图像创作、内容生产和社交媒体传播中得到广泛应用。近年来，视觉语言模型为AIGC检测提供了新的思路。已有方法通常借助类别文本提示，例如“real image”或“fake image”，引导模型学习真假图像之间的语义差异。然而，仅依赖类别级提示存在一定局限：它难以描述不同生成模型在图像质量、纹理退化、细节失真、局部不自然等方面产生的复杂伪造痕迹。针对这一问题，我们提出了一种新的质量辅助伪造检测框架 QAFD（Quality-Assisted Forgery Detection）。该方法从“图像质量退化线索”出发，将质量感知信息引入视觉语言模型辅助的伪造检测过程，从而增强模型对不同生成模型所产生伪造痕迹的识别能力。

为解决上述问题，我们提出了 QAFD。该框架的核心思想是：将质量感知文本提示与类别文本提示相结合，并进一步将质量相关语义线索引入视觉特征学习过程，从而提升模型对AIGC伪造痕迹的感知能力。

质量查询注意力模块：通过该模块，模型能够在类别语义和质量语义之间建立更有效的关联，从而更好地捕获AIGC图像中与生成质量相关的异常模式。例如，生成图像可能存在局部纹理过平滑、细节不一致、边缘异常、频率分布不自然等问题，这些都可以通过质量感知提示为模型提供额外判别信息。

质量引导伪造适配器 QGFA：的作用是将文本域中的质量先验转化为视觉域中的检测指导，使模型在提取图像特征时更加关注与伪造相关的空间和频域异常。

实验结果表明，QAFD在面对未知生成模型时具有更强的泛化能力，能够更稳定地区分真实图像与AI生成图像。同时，在常见图像后处理操作下，例如压缩、模糊、噪声扰动等，QAFD仍能保持较好的检测性能。这说明质量感知信息的引入不仅提升了模型对生成伪影的识别能力，也增强了模型在复杂真实场景下的鲁棒性。总体而言，QAFD在跨生成模型检测和图像退化鲁棒性方面均表现出良好的优势。

论文信息

该研究工作已被IEEE Transactions on Information Forensics and Security (TIFS)接收。论文第一作者为大湾区大学的王俊，通讯作者为大湾区大学余梓彤研究员。合作者包括大湾区大学陈超梦博士后、山东师范大学万文博教授和顾凌晨老师、澳门大学周建涛教授以及中国科学技术大学张卫明教授。

Jun Wang, Zitong Yu, Chaomeng Chen, Lingchen Gu, Wenbo Wan, Jiantao Zhou, Weiming Zhang, TIFS, 2026.

代码将在 GitHub ：https://github.com/wangjun9276/QAFD_AIGC开源，欢迎大家关注与交流。

供稿：王俊

义务 编辑与校对：薛禹良博士