人眼看不出的伪造，AI如何识别？实测合合信息跨模态鉴伪与去反光技术

一、AI进入真实业务，第一步不是“看懂”

生成式AI正在把内容生产和修改的门槛，往下拉了一大截。AI图片、AI视频、大模型生成的文本，如今已经大规模涌入社交平台、电商交易和日常办公场景。普通用户只需要输入几句提示词，就能生成看起来相当逼真的人物、商品、票据和文案。过去要改一张转账截图、伪造一张商品破损图，或者做一段换脸视频，多少还得懂点软件操作。现在呢？图像生成、局部重绘、视频驱动、大模型写作，这些工具摆在那里，普通用户花点时间就能上手。

更要命的是，这些东西往往还会被截图、压缩、裁剪，再经过二次转发，原本可能还有的生成痕迹，一路传下来就被削弱得差不多了。光靠肉眼，越来越难判断。

所以，当AI生成内容从娱乐创作，一脚踏进交易、审核和证据提交这些环节时，真假判断就不再是一个“好不好玩”的内容识别问题，而是直接关系到资金安全、平台治理和业务决策。市场需要的，不是“看起来像不像AI”的直觉经验，而是一套能检测生成痕迹、识别局部篡改，并且能输出风险结果的工具。

落到真实业务上，这就引出了两个基础问题：

• 内容到底是不是AI生成的，或者有没有被篡改过；

• 图像有没有因为反光、倒影这些干扰，导致信息丢失。

前者影响的是金融审核、保险理赔、电商风控和内容治理；后者则会降低证件、票据、白板和展品图像的识别质量。对大模型和Agent来说，后端推理能力再强，如果输入是错的、缺的，那也白搭。

2026世界人工智能大会期间，合合信息展示了AI跨模态鉴伪技术，以及旗下扫描全能王的“智能高清·去反光”技术。一个负责判断内容真假，另一个负责把被反光遮住的信息给恢复出来。

AI鉴伪这件事，已经不再停留在实验室的模型或者后台接口里，而是被做成了普通参观者可以直接上手体验的交互功能。用户上传样本或者直接选一个，系统就能给出真实性判断，还有相关的分析结果。

二、为什么越来越难判断AI伪造

很多人判断AI图片，还是习惯去找那些“多一根手指”、“文字乱码”、“边缘扭曲”之类的明显错误。但真正难对付的，往往不是整张图都是生成的，而是在一张真实图片上，改了那么一点点关键内容。

举个例子，一张支付截图，可能只替换了金额和时间；一张退款图片，可能只修改了商品污损的那一小块区域。整张图里，绝大部分像素、界面布局、视觉风格，都是真的。人眼很容易因为“整体看起来没问题”就忽略了局部的那点异常。

在大会现场有一个“AI较真大赛”，用户要从一堆转账、退款或者商品图片里，找出真实的那张。这种题目，根本不靠什么明显破绽，考的就是你能不能发现图片有没有局部编辑、字段替换，或者是生成痕迹。

在“电商仅退款”那个关卡里，我根据自己的判断，看了看衣服污渍和拍摄环境，结果选错了。系统判定那张图是伪造的，置信度给出了91.90%。

这不代表模型在所有情况下都比人强，但至少说明一点：双方用来判断的“信号”不一样。

人更依赖“高层语义”——比如场景合不合理、界面熟不熟悉、事件符不符合生活经验。而鉴伪模型呢，它还会去分析更底层的东西，比如局部纹理的连续性、噪声分布、压缩残差、边缘融合，还有光影的一致性。

一张真实截图里的金额区域，如果被局部重绘过，内容语义可能完全合理，但那个区域的噪声和压缩特征，很可能就跟周围不一样。人眼关注的是“1000元这个数字合不合理”，模型关注的却是“这几个数字是不是来自同一条成像和编码链路”。

这也是现代鉴伪从“找明显错误”走向“检测统计异常”的关键变化。这个变化在真实业务里特别重要。以电商退款为例，如果平台识别不出一张被局部修改过的商品破损图，那伪造材料就可能被当成真实凭证，直接影响商家责任认定。金融和保险场景里，被修改的转账截图、事故照片或者理赔材料，可能直接干扰审核结果。对内容平台来说，一段经过换脸或剪辑的视频，还可能被用来做虚假宣传、身份冒用和舆情操纵。

所以，鉴伪系统的作用，不是简单给内容贴个“真”或“假”的标签，而是在人工审核之前，先把高风险样本筛出来，提示一下哪些区域可能被改过，是什么类型的异常。它更像一道前置的风控环节，判断越准，后面的决策就越靠谱。

三、实测“扫描全能王AI鉴伪”

前面的AI较真大赛，更多是展示了人眼在面对局部伪造时的判断局限。接下来，通过扫描全能王的AI鉴伪小程序，来看这套能力在实际检测里到底怎么用，结果又是怎么呈现的。

扫描全能王AI鉴伪小程序提供了图片、视频和文本三个检测入口。图片支持JPG、PNG这些常见格式，视频支持MP4、MOV，文本可以直接输入，也支持上传PDF文档。

这次我重点测了图片鉴伪，上传了一张由ChatGPT生成的“狼、羊、白菜过河”信息图。这张图里有卡通人物、场景，还包括中文文字、箭头、步骤说明和逻辑关系，比单纯的人像要复杂得多。

检测过程中，小程序依次完成了内容来源分析、AI生成分析和篡改检测，最后给出的结果是：检测到AI生成痕迹，AI可能性100%，检测耗时2.43秒。

这张图没有典型的手部畸形或者人脸错误，主要就是插画、文字和排版。系统仍然能识别出AI生成痕迹，说明它的判断并不只是依赖某一个显眼的缺陷，而是对整幅图像的多类特征做了联合分析。

报告里还区分了两类任务：

• AI生成检测：判断图像是不是由生成模型创建或编辑的；

• 图片篡改检测：判断图像有没有经过PS、局部涂改、模板贴图这些人工修改。

这两者不是一回事。一张图可能全部由AI生成，也可能是真实照片经过AI局部重绘，还可能只改了改金额、时间或者人物区域。所以，实际系统通常需要同时处理“全局生成”和“局部篡改”两种情况。

从技术流程来看，图片鉴伪通常不会只输出一次普通的分类结果，而是先提取多层特征，再完成融合判断。

单个样本当然不能代表模型的整体准确率。更严格的测试，还需要覆盖真实照片、AI局部编辑图、传统PS合成图，还有截图、压缩、缩放之后的样本。但这次体验至少说明，复杂的鉴伪流程，已经被封装成了普通用户可以直接使用的产品能力。

随后，我又上传了一段AI生成的人像视频进行测试。

从视频里看，人物面部非常自然，肉眼很难分辨真假。但视频检测不能只看某一帧，还得结合前后画面，判断人物轮廓、表情、光影和背景细节在连续变化中是不是稳定。也就是说，单帧看起来真实，并不代表整段视频都没有异常。

当然，这只是一次体验，不能据此判断系统在不同生成模型、清晰度和压缩条件下的整体表现。不过，图片和视频两个测试放在一起，也能看出跨模态鉴伪的差异：图片主要判断一张画面里有没有生成或修改痕迹，视频则还要进一步分析时间维度上的连续性。这也引出了下面要讨论的问题——不同模态的数据结构不同，鉴伪时依赖的证据和检测方法，也完全不一样。

四、跨模态鉴伪难点

真正的跨模态鉴伪，不是简单地在界面上增加图片、视频和文本的上传入口，而是要针对不同的信息介质，建立不同的检测路径。

图片是二维空间信号，视频多了一条时间轴，文本则由离散的Token和语义关系组成。三者的数据结构不同，可用的证据也完全不同。

图片、视频和文本，分别提取语义、频域、噪声、时序和逻辑特征，再通过多模态证据融合，输出真实性概率、伪造类型、可疑区域，以及人工复核建议。从流程上看，三类模态并不是先后串行处理，而是分别进入对应的特征提取分支。图片侧更关注语义异常、频域伪影、噪声残差和局部编辑痕迹；视频侧增加了帧间一致性、运动轨迹和时空频域分析；文本侧则侧重语义连贯性、句法结构、表达概率和逻辑表征。不同证据完成对齐和加权后，系统再给出统一判断。

1.图片：语义之外，还要看频域和噪声

图片鉴伪通常会同时关注高层语义和底层成像特征。

高层语义包括人体结构、透视、文字排版和光影关系；底层特征则包括频率分布、噪声残差、压缩痕迹和局部纹理异常。

频域可以理解为换一个角度观察图像。空间域关注的是“某个像素是什么颜色”，频域关注的则是“图像中不同尺度的变化是如何分布的”。生成模型中的上采样、去噪和重建过程，可能会在高频区域留下不同于真实相机的统计特征。

噪声残差则更接近成像来源。真实照片通常要经历镜头、传感器、ISP处理和压缩编码；AI图片是神经网络直接合成的，两者的噪声形成机制不同。如果一张真实图只有局部被重绘过，那这个区域的噪声和压缩纹理，很可能就跟背景不连续。

公开研究AIDE采用多专家思路，同时分析视觉伪影和噪声模式，避免把判断完全建立在画面内容是否自然上。FakeShield则进一步尝试把真假判断、篡改区域定位和解释结合起来。

2.视频：单帧真实，不代表整段真实

很多生成视频在单帧上已经足够自然了，人物面部、服装和背景都可能看不出明显问题。但连续播放起来，一些细微的异常就开始暴露了。比如人物耳朵和脸部轮廓的轻微变化、首饰忽隐忽现、头发边缘抖动、背景文字发生漂移，或者口型与声音的节奏无法完全对应。

这意味着视频检测至少需要同时观察两个维度：

• 空间维度：单帧中的面部结构、纹理、光影和生成痕迹；

• 时间维度：前后帧之间的身份、动作、细节和光照是否连续。

从实际场景来看，一段视频可能并不是全部由AI生成的，而是只替换了人物面部、修改了其中几秒，或者将一段伪造画面插入到真实视频里。这种情况下，只检测少量关键帧，很可能漏掉异常，系统还需要判断问题出现在哪个时间区间。

比如在身份核验、视频客服和远程面签这些场景里，如果换脸区域只在人物转头或说话时出现异常，单独截取一张正面静止画面，可能很难发现。可以把它理解为两条检测线并行工作，一条看每一帧有没有生成或篡改痕迹，另一条看连续帧之间的变化是否自然。只有把空间信息和时间信息结合起来，才能覆盖更复杂的Deepfake和局部视频篡改。

3.文本：不能只靠词频和句长

文本鉴伪同样已经不能停留在表层统计了。

早期的方法，常常看词频、句长、标点数量和困惑度。但这些特征很容易受到人工修改的影响。一段大模型生成的文本，经过删减或语序调整之后，原有的统计特征就可能发生明显变化。所以，只凭句子是否工整、表达是否流畅来判断AI文本，可靠性并不高。

更深入的检测，通常会从多个层面分析文本：

• 词汇层：用词分布、重复表达和词语选择概率；

• 句法层：句式结构、语法模式和句子之间的连接方式；

• 语义层：信息是否持续推进，论点与证据是否匹配；

• 篇章层：段落结构、逻辑关系和长距离上下文是否自然；

• 来源层：文本是否存在特定模型或生成方式留下的统计特征。

大模型生成的文本，往往结构完整、表达平稳，但部分内容可能存在信息密度过于均匀、段落展开方式相似，或者表述正确但缺乏具体来源等问题。检测模型需要综合分析这些高维特征，而不是简单判断文章写得像不像。

文本鉴伪在实际应用中还有一个难点：同一篇文章，可能同时包含人工撰写、AI生成和人工改写的内容。因此，系统除了输出整篇文本的生成概率，还需要进一步识别出可疑的段落，区分是完全生成还是局部续写等不同情况。

合合信息AI跨模态体系已经覆盖了图片、视频和文本，并针对不同介质建立了差异化的检测路径。虽然三类任务最终都在判断内容真假，但底层使用的证据，并不相同。

五、去反光不是修图，而是分离叠加在一起的两个图层

与AI鉴伪相比，WAIC现场展示的AI去反光，解决的是图像采集的质量问题。

现场演示用了大尺寸屏幕来展示处理画面，参观者可以直接观察玻璃反射被削弱前后的差异。隔着玻璃拍摄时，相机同时接收到了两部分信息：

• 玻璃后方目标的透射内容，可以记为T；

• 玻璃表面环境的反射内容，可以记为R。

最终拍到的图像，可以近似理解为T与R的叠加。

但真实情况要复杂得多。反射强度会随着角度、玻璃材质、覆膜、曝光和环境光发生变化，并不是简单降低亮度就能解决的。

从对比图可以看到，左侧存在多条灯带反射，部分反光横跨了人物的头饰、面部、服饰和背景。算法不仅要识别出R，还要避免破坏T中原本存在的浅色衣纹、仙鹤羽毛和人物轮廓。

这类任务主要有三个难点。

第一，反射和原图的边缘可能重叠。灯带穿过人物衣服时，模型不能简单地删除整条高亮区域，否则会把真实的纹理一起抹掉。

第二，真实高光和玻璃反光很难区分。丝绸、金属、白纸和颜料本身就可能存在亮部，模型需要判断这个高亮是来自物体材质，还是来自玻璃表面的环境反射。

第三，强反光可能已经造成了像素饱和。这时候，原始信息并不是被半透明遮挡，而是部分丢失了。模型需要控制恢复的范围，避免根据语义凭空生成不存在的线条和细节。

右侧的处理结果中，灯带和环境倒影被明显削弱了，同时保留了人物服饰、仙鹤羽毛和画面原有的色调。真正值得关注的，不是画面“更干净”，而是处理后没有出现明显的涂抹、过度锐化或者生成式重绘的感觉。

所以，扫描全能王强调的是“高保真还原”，核心是在去除反射的同时，约束结构、纹理和颜色的变化，而不是重新生成一张视觉上更漂亮的图片。

**合合信息团队获得了CVPR 2026 NTIRE“自然场景下的单图像去反射”赛道冠军。**这个挑战更关注真实环境中的复杂反射，而不是只在人工合成数据上测试，这对玻璃展柜、橱窗、白板和证件等场景，更有参考意义。

六、从个人工具到企业风控，价值在完整数据链路

AI鉴伪和去反光，并不是两个孤立的功能。它们分别位于可信数据链路的不同位置。

在金融、电商和保险场景中，AI鉴伪可以用于转账截图、退款材料、商品图片和理赔照片的前置筛查。系统不一定要直接做最终裁决，而是先给出真实性概率和可疑区域，再把高风险样本交给人工复核。

一个比较合理的业务流程是：

这样可以避免只依赖人工抽样，也能减少单一模型误判直接影响到业务结果。在内容平台中，跨模态鉴伪可以统一处理图片、短视频和文本。不同检测引擎输出的结果，还可以与账号行为、发布时间、来源信息结合起来，形成更完整的风险评分。去反光则更适合放在OCR和文档解析之前。塑封证件、会议白板、玻璃展柜和相框照片，都容易受到炫光影响。如果直接识别，可能会出现字符缺失、数字误判和笔画断裂。先完成反光抑制，再做透视校正、图像增强和文字识别，能提高后续处理的质量。

合合信息AIGC鉴伪技术，已经应用于金融、保险和电商等场景，图文鉴伪可实现日均数十万条内容核验；扫描全能王“智能高清·去反光”则覆盖了玻璃、白板、证件和自然拍摄等场景。未来AI能力的竞争，不会只发生在模型参数、生成效果和推理速度上，也会发生在数据进入模型之前。谁能更准确地识别虚假内容、更完整地恢复真实信息，谁就能为后续的大模型、Agent和业务系统，提供一个更可靠的起点。从这个角度看，AI鉴伪负责守住信息真实性，去反光负责守住信息完整性。它们共同构成的，不只是一个检测工具或图像增强功能，而是一层面向真实业务的“可信输入基础设施”。

当AI越来越多地参与审核、风控、知识生产和业务决策时，真正重要的已经不是它能不能给出答案，而是这个答案，是否建立在真实、完整、可追溯的信息之上。只有先让AI看见真实世界，AI才有可能对真实世界负责。