LEGION框架：合成图像检测与生成优化的闭环系统

1. LEGION框架概述：从合成图像检测到生成引导

在计算机视觉领域，合成图像检测技术正面临前所未有的挑战。随着Stable Diffusion、Midjourney等生成模型的快速迭代，合成图像的质量已经达到肉眼难辨真伪的程度。传统检测方法依赖低层次纹理特征或局部异常的模式识别，在面对现代生成模型输出的图像时往往表现不佳。LEGION框架的提出，标志着该领域研究范式的重要转变——从被动防御转向主动引导。

LEGION的核心创新在于构建了一个多模态闭环系统。与仅输出"真/假"二分类结果的传统检测器不同，LEGION能够：

• 精确定位图像中的异常区域（定位）
• 用自然语言解释异常原因（解释）
• 将分析结果反馈给生成模型进行迭代优化（控制）

这种"检测-解释-优化"的闭环设计，使得LEGION不仅能够识别合成图像，还能帮助生成模型产出更真实的图像。从技术实现角度看，LEGION巧妙融合了视觉Transformer、大语言模型和分割模型的优势，构建了一个端到端的可训练框架。

2. 技术挑战与现有方法局限

2.1 数据集的质量困境

当前合成图像检测研究面临的首要挑战是数据集的质量和代表性不足。主流数据集如ProGAN生成的图像主要存在三个问题：

1. 技术代差：基于早期GAN技术（如DCGAN、ProGAN）生成的图像，其伪影模式与现代扩散模型有本质区别。例如，GAN生成的图像常见全局一致性差（如背景纹理不连贯），而扩散模型的缺陷更多表现为局部物理规律违反（如错误的光影交互）
2. 标注粒度不足：RichHF-18K等数据集采用稀疏点标注，无法准确反映伪影的实际空间分布。这导致训练出的模型只能学习到模糊的关联特征，而非真实的伪影模式
3. 领域偏差：现有数据集过度集中于特定领域（如人脸或动漫图像），缺乏对复杂自然场景的覆盖。当检测模型遇到训练数据分布外的图像时，性能会显著下降

2.2 检测方法的理论局限

传统检测方法主要依赖两类特征：

• 低层次特征：如频域异常（Fourier频谱分析）、局部噪声模式（NoisePrint）
• 高层次特征：如语义不一致性（不符合物理规律的阴影）

这些方法面临的根本困境在于：随着生成模型质量的提升，人工设计的特征逐渐失去区分度。例如，最新的扩散模型已经能够生成符合自然图像统计特性的噪声模式，使得基于频域分析的方法几乎失效。

2.3 解释性缺失问题

现有检测系统大多缺乏可解释性，仅输出二分类结果。这在真实应用场景中带来两个问题：

1. 可信度存疑：当系统判定某图像为合成时，无法提供令人信服的依据
2. 反馈闭环缺失：检测结果无法有效指导生成模型的改进

LEGION通过引入自然语言解释和空间定位能力，有效解决了这两个痛点。

3. LEGION技术架构解析

3.1 整体设计思路

LEGION采用多任务学习框架，共享视觉编码器但具有任务特定的解码路径。其核心创新点包括：

1. 多粒度特征提取：使