知识卡片：面向现代VLM的像素级图像篡改检测的简单域泛化

一句话结论

提出一个包含平衡小批量采样和晚期注入策略的简单域泛化训练框架，在跨模型（GPT-Images-2.0、Gemini-3.1、FLUX.2、Seedream 4.5）像素级篡改定位任务上，平均gIoU和cIoU相对先前SOTA（PIXAR）分别提升26.1%和26.8%。

事件概述或研究问题

现代视觉语言模型（VLM，如ChatGPT、Gemini、Qwen-Image）大幅提升了图像生成与编辑能力，导致像素级图像篡改检测在跨模型和分布外（OOD）场景下变得日益重要且挑战性增强。本文研究的是：如何学习一个对多种VLM生成的不同篡改分布均保持鲁棒的篡改定位模型，即域泛化问题。

方法/产品要点

• 平衡小批量采样（Balanced Minibatch Sampling）：在每个小批量中策略性地采样等同数量的篡改图像和真实图像，防止优化偏向于篡改伪影或干净图像先验，避免训练崩溃，确保每一步获得适当的梯度信号。
• 晚期注入策略（Late-Injection Strategy）：首先在大规模基础数据上训练检测器直至稳定收敛，然后暴露少量来自新兴VLM分布的新选取支撑数据，以提升对新分布的适应性，同时避免对有限新域过拟合。
• 整体框架保持概念简单，但提供了提升像素级篡改定位与OOD鲁棒性的强配方。

主要结果或产业意义

• 在OOD VLM（GPT-Images-2.0， Gemini-3.1， FLUX.2， Seedream 4.5）上，相比先前最优方法PIXAR，平均gIoU相对提升26.1%，平均cIoU相对提升26.8%。
• 代码已开源：https://github.com/VILA-Lab/PIXAR-DG

为什么重要

随着VLM普及，检测其对图像的篡改成为内容安全的关键环节。现有方法（如PIXAR）在跨模型泛化上表现有限。本文以极简策略实现了大幅性能跃升，且无需复杂网络设计，为工业级部署提供了低成本高效益的解决方案。与已有相关卡片（生成式残差学习用于通用AI生成图像检测）相比，该工作专注于像素级篡改定位而非二分类检测，且核心创新在于训练策略而非特征提取网络，填补了域泛化视角下VLM篡改检测的空白。

局限与不确定性

• 论文未明确讨论局限性（如对完全未见VLM的泛化边界、计算开销、对高分辨率图像的处理效率等），待核实。
• 晚期注入策略中“少量新数据”的具体量级及选取标准未详述，待核实。

可用于图书/PPT/简报的角度

• VLM时代图像篡改检测的挑战与机遇
• 简单域泛化策略为何能超越复杂模型：平衡采样与晚期注入的直观解释
• 从PIXAR到PIXAR-DG：26%性能提升背后的训练智慧

原始材料

• 英文标题：Simple Domain Generalization for Strong Pixel-Level Image Tampering Detection in Modern VLMs
• 英文关键词：domain generalization, pixel-level tampering detection, vision-language models, balanced minibatch sampling, late-injection strategy
• 来源：arXiv 2607.18230v1 (https://arxiv.org/abs/2607.18230v1)