本文提出了一种名为GLID（Gated Local Intrinsic Dimension）的人脸伪造检测方法，旨在解决现有基于微调基础模型的检测器对未见过的生成器家族（如GAN或扩散模型生成的图像）检测能力不足的盲点问题。传统检测器在训练时仅接触部分生成器家族，导致对新型伪造手段的泛化能力差。GLID摒弃了依赖大量训练数据的思路，转而利用图像的几何特性。具体而言，该方法将单个图像的补丁令牌视为嵌入在高维空间中的流形采样，并在冻结视觉Transformer（ViT）的多个深度层中估计其局部内在维度（LID）。由此产生的12维信号无需额外训练，通过一个置信度门控机制注入到微调检测器中，该门控的强度仅基于分布内数据校准。在16轴跨生成器基准测试中，GLID取得了0.805的平均AUC，在所有重新训练的最新基线中排名第一，且在所有轴上从未显著落后于最强基线。它使得生成轴（即伪造图像）的AUC提升了0.084，而重演轴（如面部动作迁移）仅下降了0.005。论文还揭示了两个经验定律：（1）伪造图片会在特定深度扭曲令牌流形：GAN伪迹在最后一层达到峰值，扩散伪迹在中间网络层达到峰值，且该模式在四种骨干网络、三种维度估计器和非人脸图像中持续存在；（2）微调仅在训练数据覆盖的位置吸收辅助增益：注入1%的目标家族图像会抹去0.100的增益提升，因此几何信号在数据不可用的情况下至关重要。此外，该确定性信号将准确率的跨种子方差降低了5.5倍。代码、预注册分析门控和逐图像评分均随论文公开。