如何识别 AI 修图：AI 消除、局部重绘与生成式填充的核查流程

识别 AI 修图，要调查的是可能被改动的那块区域：使用针对局部篡改的分析方法，弄清结果图或分数到底表示什么，再与来源历史或对照证据比较。整图分类与局部编辑分析回答的是不同问题：一张照片可以绝大部分是相机拍摄的真实场景，只有一个关键特征被生成、替换或抹除。

Adobe 在 2023 年 5 月 23 日发布创成式填充（Generative Fill）时，把它描述为用简单的文字提示，在图片中“添加、扩展或移除内容”，见 Adobe 的发布公告。国内读者更熟悉的形态，是手机相册和修图应用中的“AI 消除”“局部重绘”。这类编辑可以改变一个关键细节，同时让周围场景保持原样，这正是局部核查需要应对的情形。

实务顺序是：确定任务 → 读懂局部结果 → 比对相关证据 → 针对仍未解决的问题采取行动。一个有用的定位结果，告诉您该去哪里查；能证明那块区域是如何形成的证据，才能支持更具体的“AI 修图”结论。

选择检测器之前，先界定问题

从照片要证明的事实出发，例如：“退回的洗衣机前面板下部有一道裂纹。”在图上标出相关区域，并写明需要知道什么：裂纹是否可见，这部分画面是否被改动，以及改动是否涉及生成式 AI。

再界定哪些改动会影响决定。为商品广告抹掉背景里的路人，或许可以接受；替换机身铭牌，则会让这份记录失去意义。调查的重点，是会影响主张的那处改动。

有三项技术任务特别容易混淆：

一个检测器可以同时承担这几项任务，但它的评估应当分别支持每一项声称的能力。一个为区分整张生成场景与相机照片而训练的工具，并不因此就对局部重绘有效；一个通用的篡改检测器，可能发现传统修图，却不能把它与生成式改动区分开。美国国家标准与技术研究院（NIST）指出，所有检测方法都面临一个难题：内容可能只是部分合成，例如画面中的物体被移除、空出的部分由 AI 重绘，此时大部分内容仍是真实的。见 NIST AI 100-4 第 3.2 节。

在 Fileverity 的报告中，这一区分是明确的：真实照片的部分区域经创成式填充或局部重绘重新生成时，完整报告将其报告为“照片存在局部改动”，并在证据支持时标出可疑区域；整张图片由生成式模型生成或重新渲染时，报告为“AI 生成”。两种情况对应不同的处理决定，详见工作原理。

弄清定位图到底表示什么

解读彩色叠加图之前，先弄清输出的定义。它表示的是篡改分数、异常分数、置信度估计，还是注意力可视化？数值越高是否越可疑？是否设定了阈值？不同图片之间的数值能否比较，还是每张图都单独拉伸了显示范围？

先看图例，再看颜色。一块鲜艳的区域，可能只代表这张图里的最大值，而不是某个固定的关注等级。整图分数 0.8，并不表示 80% 的像素被改过；在把它当作“工具目标情形的发生概率为 80%”之前，还要核实该分数的定义，以及它在同类输入上的校准情况。

一个定位工具可以报告三种不同的东西：哪里呈现异常响应，这一响应有多可靠，以及对整张图片的判定。未被改动的区域出现强响应，就是误报；可靠性估计本身也可能出错，在压缩或缩放之后尤其如此。对采购方而言，这一区分很重要：应询问工具如何把“可疑区域”与“对该发现的把握程度”分开。

把定位图带进决策会议之前，按下表逐项核对：

经阈值处理的掩膜是估计出的区域，不是还原出来的编辑选区。它的边界可能超出特征、漏掉一部分，或者只是反映了模型的空间分辨率。除非工具的定义与验证支持这种解读，否则不要据此计算“图片被编辑的百分比”。在无法精确定位时，用描述性语言记录重叠情况即可。

把发现转化为下一步行动

定位图的价值，在于指引您接下来调查什么。从关键特征出发，检查发现是否与之重叠，再选择能够解决这一具体疑点的证据。

Fileverity 图像鉴伪在同一次分析中检查 AI 生成、篡改与来源。就本文的任务而言，重点是局部发现：它涉及哪个区域，支持哪种改动，接下来应当索取什么证据。为团队评估 Fileverity 时，请使用您实际遇到的局部编辑与传输条件作为样本，并分别确认“发现改动”“定位改动”和“识别 AI 参与”三项要求。

为什么小改动会被整图摘要淹没

局部编辑的证据可能只占画面很小的一部分，这是空间稀疏性：把一张空间分布图压缩成一个数字，会同时丢失证据的强度信息和位置信息。

设想一张简化的示例分数图，由 10,000 个大小相同的单元格组成，其中 100 个单元格的篡改分数为 0.90，其余 9,900 个为 0.10。普通平均值为 (100 × 0.90 + 9,900 × 0.10) / 10,000 = 0.108，高分区域只让平均分提高了 0.008；取最大值得到 0.90，却会让一个孤立的误报响应决定整个摘要。位置与空间分布提供了这两个数字都不包含的信息：一块紧挨争议裂纹的集中区域，与一百个分散的单元格，可以有完全相同的平均值和最大值，对应的复核任务却截然不同。

工程上的启示是：保留足够的空间信息，以便解读整图结论；评估一个区域响应时，既看它有多强，也看它有多可靠。

因此，生成信号低，不能代替那个尚未回答的局部问题。对于一份商品损坏的申请，应让发现的位置始终与正在复核的裂纹对应，再索取同一商品上该特征的证据。试点时，应同时改变编辑面积与传输质量：一套只包含整张生成图片的测试集，回答不了“后果重大的小改动能否被复核”这个问题。

文件与其历史要保持关联

下面的对比以 Eli Christman 于 2019 年拍摄的一张真实厨房照片为底图。Fileverity 用 AI 在派生版本中给破壁机的杯体添加了一道虚构的裂纹。局部放大对比，便于把添加的缺陷与原来的杯壁相比较。

周围场景依然自然可信。但在退货审核中，这道添加的裂纹可能决定结果，因此杯壁正是局部分析与补充取证的重点。

原样保全收到的文件，给它一个固定编号。记录尺寸、接收渠道和已知的处理经过。用坐标和简短描述界定复核区域，并注明坐标针对的是存储文件本身，还是经过方向校正的显示视图。裁切图与各项输出都要与其母文件关联。复核框表示您在看哪里，它不是编辑掩膜。

如果收到的是截图，请对方直接从手机相册发送原图。查看区域的同时也要查看完整画面：反光、阴影和周围物体，可能解释某条边界，也可能把商品与所处环境联系起来。

内容凭证（C2PA）可以提供关于创建或编辑的签名信息。记录验证结果、签名方信息、相关操作，以及它与收到文件的关系；确认某项操作涉及的是争议区域，还是图片中未具体说明的部分。C2PA 说明文档介绍了这类防篡改声明及其局限：历史记录可能不完整，也不能证明画面事件属实。见 C2PA 2.2 说明文档第 2 节与第 7.2 节。

普通元数据提供关于软件与日期的线索。用这些线索追问处理经过，而关于争议区域的结论，仍应以现有证据为依据。如果文件带有声明为生成合成内容的隐式标识，它说明文件声明经过了生成合成服务处理，但并不指出改动的是哪一块区域，详见隐式标识、内容凭证与水印。

考虑缩放、压缩与分析副本

提交的图片在复核之前，可能已被缩放、压缩、裁切或屏幕截取。记录这些已知条件，并确认工具是否在类似输入上经过评估。没有证据表明可比时，不要把在干净文件上的评估结果，直接套用到经过大量处理的提交文件上。

裁切可以让人更容易看清争议特征，但也会改变检测器的输入、去掉上下文。如果工具支持对裁切图进行分析，应把整图结果与裁切图结果分开保存，并注明裁切坐标。两者分数不同，本身并不能证明裁切区域内有改动。

同样，放大或锐化后的副本有助于讨论，但它是派生文件，应加以标注并保留源文件。不要用 AI 增强或超分辨率去“还原”所谓的证据细节：推断出来的边缘或字符，无法说明收到的像素原本记录了什么。特征无法辨认时，“在所提供的文件中无法辨认”往往就是最有用的观察。

这一阶段应以两种明确立场之一结束：现有文件适合所述分析，或仍存在实质性局限。不要悄悄把后一种立场变成“未发现改动”。

案例：洗衣机面板上的一道裂纹

以下为示例。某电商平台的一笔家电退货审核中，买家提交的照片为 4,000 × 3,000 像素。一个 400 × 300 像素的复核框，框住了买家所称的裂纹及附近的面板表面。复核框面积为 120,000 像素，占全图 12,000,000 像素的 1%。

复核框只占画面的 1%，裂纹却可能决定退货结果。这就是局部分析的意义：无论照片其余部分多么完好，业务问题就落在这一个特征上。复核框的面积只是几何关系，不代表被编辑的像素数，也不代表检测器的灵敏度。

假设一个通用篡改检测工具标出了裂纹附近的部分面板，而整图分类器没有提示。这两项示例输出针对的是不同任务。两者连同其定义一并保留；局部信号为复核人员指明了提交材料中需要调查的具体部位。

被标出的区域与复核框部分重叠，但没有覆盖整条裂纹。记录为“可能存在局部改动”，并索取关于这块面板的证据。通用篡改输出不能说明是否有 AI 参与；处理痕迹或与场景有关的其他解释，也仍有可能。

用 Fileverity 处理同一张照片时，报告会以像素坐标标出可疑区域并注明信号强度，区分“照片存在局部改动”与“AI 生成”，并列出文件自身记录的编辑软件信息，把复核人员的注意力引向面板区域；补充取证的请求仍按下一段进行。

通过正常的售后渠道，请买家提供同一块面板的照片，并让画面中有足够的部分能把它与这笔交易联系起来：“请将面板与机身铭牌拍在同一张照片中，再补一张裂纹近照。”如果可以安排上门检测或退回验货，请检测人员直接针对这一特征给出结论。这样的请求直指未决问题，而不是一再索要同一张照片的副本。

如果检测确认了损坏，即使第一份文件的编辑历史仍未查清，申请也可能成立。如果新照片显得不一致，先确认它拍的是同一件商品、同一个部位、相关的时间；商品状况可能已经发生变化。不一致需要核对与说明，它本身并不证明存在欺骗意图。

留下他人能接手的复核记录

逐行填写案件信息，不清楚的写“未知”。观察与推断分栏记录，可以降低一个尚待验证的信号在交接中变成事实指控的风险。

就上述示例而言，稳妥的表述是：“篡改分析的输出与面板区域部分重叠，但不能证明使用了生成式 AI。现有文件与输出无法确定商品上是否确有所称的裂纹。需索取与同一商品关联的另行拍摄照片或检测结果。”

下一步取决于缺什么。输入质量有问题，就索取更好的文件；来源记录不一致，就请对方说明；场景主张悬而未决，就寻求实物佐证。当专业分析可能改变决定时，把技术解读升级处理。结案时写明哪个问题已经解决，哪些文件历史问题仍然未决。

按实际任务评估

处理局部改动的争议时，先在图上标出争议特征，再用 Fileverity 图像鉴伪检查：完整报告以像素坐标标出可疑区域，区分局部重绘与整图生成，报告附文件哈希值、证据记录与验证状态，便于把定位结果随案留档。

如需为团队评估，请联系 Fileverity，说明您需要复核的局部改动类型、常见图片尺寸与提交渠道，以及区域性发现应触发的处理动作。把“发现改动”“定位改动”和“识别 AI 参与”三项要求分开，评估才有明确的目的。企业版提供 API 接入、批量检测与系统集成，并可按需私有化部署；文件在 Entogo 运营、位于多伦多的服务器上分析，分析后即删除，详见信任中心。

如需与早先版本比对、核查传统修图与生成式改动，请阅读如何判断照片是否被修改过；如需判断整张图片的来源，请阅读如何判断一张图片是不是 AI 生成的。电商售后中的 AI 假图，另见 AI 假图申请“仅退款”的复核流程。

常见问题

AI 检测能查出生成式填充吗？

只有当检测工具支持的任务及其评估覆盖了相关的局部编辑与输入条件时才能。一个笼统的“AI 生成图片检测”标签，不足以证明具备这项能力。

没有被标出的区域，就一定是原始的吗？

不一定。这只说明在所用条件下，这项分析没有标出该区域。它能否作为有用的否定证据，取决于工具在同类案例上经过验证的灵敏度。

定位图能查出是谁、用什么提示词改的吗？

通用的定位图做不到。溯源需要专门的支持证据。不要从被标出区域的形状，推断编辑账号、提示词或意图。

作者 Yang Zheng