生成图像取证研究图谱

生成图像取证研究图谱（Synthetic Image Forensics Atlas）是一个中文学术地图，聚合 AI 生成图像检测、来源溯源、深度伪造、图像篡改定位、场景文本图像伪造、图像隐写分析、数字图像水印和内容凭证研究。公开站部署为纯静态 GitHub Pages，本地审核台负责采集、去重、核验与发布。

快速开始

python -m venv .venv
.venv\Scripts\Activate.ps1
pip install -e ".[dev]"
npm --prefix web install
python -m atlas.cli validate-public
npm --prefix web run dev

启动本地中文审核台：

python -m atlas.cli admin

终端会打印带随机令牌的本地地址。审核台仅监听 127.0.0.1，原始抓取数据、密钥和 SQLite 均不会进入公开站。

数据工作流

# 导入已获授权的研究地图公开数据
python -m atlas.cli import-authorized

# 采集候选（写入本地候选池 data/raw，不入库）
python -m atlas.cli collect-openalex --max-records 12000          # OpenAlex 主检索
python -m atlas.cli collect-secondary --max-per-query 40          # Crossref、arXiv、Semantic Scholar、DBLP 交叉补充
python -m atlas.cli collect-crossref-venues --max-per-query 200   # Crossref 按重点会议/期刊定向检索
python -m atlas.cli refresh-crossref-dates                         # 只按 DOI 补查 Crossref 日期，不检索

# 增量发布：以现有公开数据为基线合并新候选，统一重新分类、去重、赋级
python -m atlas.cli publish

# 全量重建：只用本地候选池与授权种子，不以现有公开数据为基线
python -m atlas.cli publish --fresh

# 不重新采集：只刷新等级徽章 / 只把现有公开数据重写为当前发布格式
python -m atlas.cli refresh-rankings
python -m atlas.cli repack-public

# 发布前门禁
python -m atlas.cli validate-public --strict

公开数据区分 verified（人工核验）、auto（自动收录待复核）和 rejected。任何自动流程都不能生成 verified 状态。

严格门禁同时检查 2,000 条候选、1,000 篇公开论文和 300 篇人工核验。前两项可由数据管线完成；人工核验未达标时命令会如实失败，不能用自动记录补足。

增量发布与 --fresh

publish 以当前 web/public/data/v1 为基线，与本地候选池 data/raw 中的新候选和授权种子合并后重写整个发布：

• 每次发布都对全部论文（包括基线里的旧记录）重新执行范围与研究方向分类、贡献类型判断、渠道类型推断和等级匹配，因此修改分类规则或等级表后直接 publish 即可生效。逐条人工核验的论文不会被范围规则移除；被新规则排除的论文按原因计入 quality.json 的 excluded_by_scope_rules。
• 去重依次使用 DOI、arXiv ID、OpenAlex ID、标题+年份；DOI 不同的两条正式记录即使同名同年也不合并（如同名的专著与期刊论文）。同名的预印本与正式版合并，保留正式渠道、年份与 DOI；不同正式渠道（如 workshop 论文与期刊扩展版）不合并。模糊标题不自动合并。
• 带 DOI 的论文年份以其 Crossref 记录为准：取 published-online、published-print、issued 中最早的日期，若仍晚于 DOI 注册年份（created）则取注册年份，避免把未来刊期的文章算作下一年。这一年份在全部合并完成后统一套用，只采信带 created 的 Crossref 记录；Semantic Scholar 对有预印本的论文常给出 arXiv 年份，不用来改动年份。采集时（以及单独运行 refresh-crossref-dates 时），候选池里缺少这些日期字段的旧 Crossref 记录、以及候选池中没有的今年及以后的已发布论文，每类每次最多按 DOI 补查 200 条，年份越晚越先补；Crossref 已无法解析的 DOI 会被标记，不再重复查询。
• 候选池缺失时（新克隆的仓库、只改了规则）论文库不会缩小：基线记录全部保留并按新规则重算，候选池规模和按范围规则排除的分项计数沿用 quality.json 中上次完整构建的记录。年份与渠道规则在合并前就作用于旧记录，同一份输入连续发布两次结果不变。

publish --fresh 不读取现有公开数据，只用 data/raw 和授权种子重建，并重新开始作者别名历史（删除 author_aliases.json，旧的 ?author= 合并跳转随之失效）。只在本地候选池完整时使用，否则论文库会缩小到候选池覆盖的范围。

GitHub Actions 采集工作流

.github/workflows/collect.yml（Actions 页面中的 Collect papers）手动触发，在 GitHub 的运行器上完成采集与发布：

1. 从 Actions 缓存恢复候选池 data/raw；无论成败，采集结束后都会存回缓存，候选池从不提交到仓库。
2. 依次运行 OpenAlex、Crossref/arXiv/Semantic Scholar/DBLP、Crossref 定向检索。请求遇到 429、5xx 或断连时指数退避重试（Retry-After 超过 60 秒视为配额耗尽，不再等待）；同一来源连续 5 次失败即停止该来源，不拖累其他来源；到达时间预算后各采集器保存已得结果并结束。单个采集步骤失败不阻断后续发布。
3. 运行 publish（增量发布），validate-public、ruff check、pytest 全部通过后才提交 web/public/data/v1 并推送。
4. 发布前后的论文数、各采集器新增候选与错误数写入 Job Summary，采集报告作为 collection-reports artifact 上传。

输入	默认值	说明
target_branch	空	推送目标分支；留空推回触发分支，填写新名称会新建分支
openalex_records	12000	OpenAlex 查询预算（记录数）
secondary_per_query	40	Crossref/arXiv/Semantic Scholar/DBLP 每个查询的结果数
secondary_sources	crossref,arxiv,semantic_scholar,dblp	交叉补充的数据源
venue_rows	200	Crossref 定向检索每个查询的行数
time_budget_minutes	100	采集时间预算

可选仓库 secrets：CROSSREF_MAILTO（Crossref polite pool）、OPENALEX_API_KEY、SEMANTIC_SCHOLAR_API_KEY。未配置时 OpenAlex、Semantic Scholar 和 arXiv 很容易返回 429 并被提前停止，Crossref 通常不受影响。

工作流检出的是触发时刻的分支。运行期间如果分支有新提交，最后的推送会因非快进被拒绝；这时在最新分支上重新运行，或把 target_branch 设为新分支、再合并回来。拉取工作流提交的数据后，可在本地运行 python -m atlas.cli publish 与 python -m atlas.cli validate-public 确认结果可复现。

公共站

公共站包含五个视图，筛选条件、排序和打开的论文/学者都会写入 URL，可直接分享：

• 概览：研究方向卡片（含近 16 年趋势）、年度发表趋势、高被引论文、主要发表渠道、活跃机构与国家/地区，统计随当前筛选范围变化。
• 论文库：分面筛选（研究方向、年份、渠道类型、CCF/中科院/JCR 等级、贡献类型、国家/地区、来源），每个选项显示选中后的结果数；支持排序与 CSV/BibTeX/JSON 导出。论文条目可就地展开，按需从详情分片加载完整摘要，并列出全部作者、署名机构与链接。筛选分组标题显示该组已生效的筛选数，展开/收起状态保存在浏览器中；桌面端可整体收起筛选栏。
• 学者 / 机构：按当前筛选范围统计；学者档案包含方向分布、年度产出、署名机构与合作者，论文列表默认显示 12 篇，可展开全部。
• 研究地图：机构聚类与合作连线，点击节点查看区域论文（先列 6 个机构，论文分批“显示更多”）；手机端为可折叠的底部面板，初始视野以论文加权经度为中心。

支持浅色/深色模式；按 / 聚焦搜索框。

公开数据格式

web/public/data/v1/ 由 atlas/release.py 统一读写（schema 2.0.0）：

• catalog.json：{"venues": [...], "authors": [...], "papers": [...]}。每个发表渠道（含等级徽章）与作者只存一次，论文通过 venue_id 和作者下标引用。
• details/<xx>.json：完整论文记录，按论文 ID 末两位十六进制分为 256 片，打开一篇论文只需下载约 70 KB。
• authors.json：合并重复身份后的作者索引；author_aliases.json 记录每个被合并的旧 ID、合并目标与证据。
• institutions.json、stats.json、quality.json、manifest.json。

作者身份合并

OpenAlex 与 Semantic Scholar 提供作者 ID，而 Crossref、DBLP、arXiv 和种子数据只有姓名，同一位学者因此常以多个 ID 出现。发布时 atlas/identity.py 只在强证据下合并：相同 ORCID；或姓名规范化后相同且共享作者署名机构；或姓名相同且至少有两位相同合作者。若合并后会出现两个不同 ORCID，或两个 ID 署名在同一篇论文上，则拒绝合并；仅凭同名绝不合并。

维护者可在 data/curated/author_identity.json 中强制合并（merge）或禁止合并（separate）指定 ID 对。旧的 ?author= 链接会通过别名表自动跳转到合并后的学者档案。

公共站首屏只加载 manifest.json、stats.json、catalog.json、institutions.json；地图（Leaflet）按需加载。

项目结构

• web/：React、TypeScript、Vite 公共站。
• atlas/：多源采集、数据规范化、审核后台和静态导出（release.py 负责公开数据格式）。
• data/authorized/：经授权导入的种子数据。
• data/curated/：可审计的人工决定和 venue 等级。
• web/public/data/v1/：公开站读取的确定性导出。

数据边界

收录范围限定为图像取证。纯 OCR、只使用合成图像训练下游任务、普通相机型号归因，以及音频、视频、文本隐写和纯文本生成检测不属于本图谱。

等级口径严格分离：CCF 只用于会议，只取第七版（2026）目录，会议全称嵌在论文集标题中时，全称之外只能是年份、届次、Proceedings、出版社名或该会议缩写，workshop、findings、companion 不继承主会等级（核验记录与匹配规则见 data/curated/RANKING_IMPORT.md）；公开筛选中的中科院分区固定为 2025 最后官方版“大类分区”，并与 JCR 2026 分开显示。每条期刊事实均逐刊核验、带来源链接；维护者也可导入其有权使用的补充数据，但不得把中科院小类分区混入公开筛选。项目明确拒绝“新锐期刊分区”。缺失时显示“暂无可靠等级数据”，不会推测，也不会抓取或公开再分发受限的完整分区表。逐刊结果和 TCSVT 历史口径说明见 data/curated/JOURNAL_RANKING_AUDIT.md。

许可与来源

本仓库中新编写的软件代码使用 MIT License。文献元数据仍受各来源条款约束；详见 DATA_NOTICE.md。