图像伪造检测器

要解决什么问题

在运维、风控和内容审核场景里，你经常拿到一张「看起来正常」的 JPEG/PNG：可能是二次转发截图、PS 过的证件照，或是带 AIGC 溯源签名的生成图。肉眼很难区分，而业务又需要可解释的判定依据，而不是一句「感觉不对」。

这个技能把检测拆成可复现的流水线：输入本地路径或 URL，输出结构化 JSON，包含 review_status、forgery_score 以及各子模块的 inspection 字段，便于人工复核和自动化规则对接。

检测流水线在做什么

1. 元数据与压缩痕迹

• 解析 JPEG 段（EXIF、JFIF、Adobe）与 PNG 文本块（tEXt、iTXt、eXIf），匹配 Photoshop、GIMP、美图等编辑软件关键词，以及 Label=1、ContentProducer、doubao 等 AIGC/溯源标记。
• 对 JPEG 做量化表与标准亮度表对比估算质量，并在 8×8 块边界上找「块效应」，用于发现二次压缩伪影。

2. 全局与局部视觉

• 统计亮度均值/标准差、饱和度、调色板密度、直方图峰值，标记异常亮度、过饱和、纹理匮乏区域。
• 在 4×4 网格上用基于 Sobel 的角点类特征，检查特征密度过低、过度集中或分布不均。

3. 截图与文档篡改

• 对比宽高比与常见屏幕分辨率，结合边缘密度、文本行比例、纯色区域比例，区分截图/录屏/微信转发类「干净截图」。
• 对疑似纸质文档：分割纸张区域（亮度 ≥0.58、饱和度 ≤0.28），做块级纹理一致性、可疑块比例与连通聚类、文本行波动、块间 LBP 不一致、梯度方向不一致、拉普拉斯方差噪声差异，以及 JPEG 重编码 ELA（错误级别分析）。

4. 决策引擎

证据汇总为四类状态：有伪造、待确认、截图、无伪造；并给出 tamper_index、tamper_evidence_count、risk_labels 与 findings 等可读结论。

适用边界

• 启发式与阈值判定，不能替代司法鉴定或单一模型的「绝对真伪」结论；待确认 状态应走人工复核。
• 强依赖 Pillow、NumPy 与 Python 3.8+；对极短边、强压缩或刻意抹除元数据的样本，部分通道信号会减弱。
• 「截图」类判定表示未观察到强篡改信号，不等于内容本身可信。