该论文研究了训练无关（training-free）的参考式合成图像溯源方法，即通过将待检测图像与已知生成源的参考图像进行比较来识别其来源。此类方法无需针对新生成器重新训练分类器，仅需添加特定来源的参考即可扩展，具有可扩展性强的优点。然而，其性能依赖于两个耦合因素：用于比较的表示空间（representation space）以及源特定参考的构建方式。目前这两者之间的相互作用尚未被充分探索。本文使用现成的预训练表示（CLIP和DINOv2的不同网络层）以及三种参考选择方法（任意参考、语义对齐参考、基于重合成的参考）进行了受控分析。实验发现，溯源准确度在中间层表示达到峰值，表明生成器判别性特征在强语义抽象主导之前更易获取。中间层表示并非完全语义中性，因此参考选择至关重要：语义约束的参考可减少查询-参考不匹配，尤其在参考数量有限时提升性能。重合成参考在参考极少的场景下最有效，而语义对齐参考在中等参考池规模时提供更好的准确度-成本权衡。研究结论指出，训练无关的参考式合成图像溯源应理解为一个系统问题，涉及图像比较的位置、参考集的构建方式以及可用参考数量三者之间的交互。本文适合图像取证、AI生成内容检测领域的研究者和工程师阅读。

随着扩散模型等生成模型的快速普及，数字水印技术已成为识别AI生成图像的关键手段。现代后处理水印方法通常采用神经网络，旨在实现极低的误报率，同时保持对常见图像变换的鲁棒性。然而，这些现代方法与经典水印方法（如Broken-Arrows方案）之间缺乏系统的比较，尤其是在鲁棒性和安全性优先于极低误报率的实际场景中。本文提出了一种公平的比较框架，评估现代与经典后处理水印方法在面对各种经典图像增强和最新复杂攻击时的鲁棒性与安全性。实验结果表明，在现实场景下，经典水印方法在保持同等鲁棒性的同时，在安全性方面优于现代技术。该研究为AI生成图像检测的水印方案选型提供了重要参考，提示安全从业者在实际部署中不应盲目追求低误报率而忽视经典方法的优势。

本文提出了一种基于物理反射定律的深度伪造图像检测方法，名为 Light2Lie。当前深度伪造图像生成技术（如 GANs、扩散模型）在保留人脸纹理和几何方面已非常逼真，但往往忽略真实物理环境中光照与物体表面相互作用的固有约束。作者指出，伪造图像中的光照方向、反射强度及阴影分布常存在物理不一致性，而人眼难以察觉。为此，该方法利用双向反射分布函数（BRDF）等物理模型，从单张图像中提取光照特征和反射特征，并通过统计学习或神经网络判断是否符合真实物理规律。具体地，论文设计了一个多尺度特征提取模块，分别计算全局光照一致性（如环境光方向）和局部表面反射属性（如菲涅尔效应）。在多个公开深度伪造数据集（如 FaceForensics++、Celeb-DF）上，该方法在 AUC 和准确率方面显著优于现有的基于频率、纹理或深度学习的检测器，尤其在跨数据集泛化测试中表现鲁棒。此外，作者进行了消融实验，验证了各物理特征分量的贡献。该工作为数字图像取证提供了新思路，表明结合物理先验能有效提升对逼真伪造图像的检测能力。适合研究人员和取证分析师阅读。