KigBeKig
Back to academic indexEditorial review · No anonymous peer review
Generative Media × Image AuthenticityTheoretical Review and Provenance FrameworkRev. 1.1

Between Real and Synthetic: AI Images, Retouching, and Visual Authenticity in Kigurumi

A five-axis model of events, characters, images, provenance, and relations

Author
BeKig Academic Editorial Board
Published
Revision
Reading time
23 min
Abstract

Abstract

Generative images can produce seamless skins, idealized proportions, and elaborate Kigurumi scenes without any wearing event. This paper integrates synthetic-face recognition, deepfake detection, media forensics, manipulated-photo studies, post-photographic authenticity, and digital-body research. It proposes five axes: event authenticity, image coherence, character authenticity, provenance transparency, and relational credibility. Visual anomalies and detector scores are evidence, not verdicts. Transparent process labels and traceable provenance are more durable than fixed lists of AI artifacts.

Keywords
AI imagesKigurumiimage authenticitydeepfakesmedia forensicsgeneration labelsprovenancedigital body

01

Research questions

  1. AI 生成、传统修图和真人 Kigurumi 摄影分别提供哪些真实性证据？
  2. 手足、织物、头壳和光影异常为什么只能作为组合线索？
  3. 人类判断、自动检测和来源链各有哪些能力边界？
  4. AI 式过度完整如何反向改变真人摄影、定制市场和角色审美？

02

Methods and materials

  • 整合合成图像识别、深伪检测、媒体取证、照片操纵识别和后摄影理论
  • 把真实性拆成事件、图像、角色、来源和关系五轴，避免单一真伪判断
  • 分析公开生成标注、来源链、作品说明和结构线索，不对证据不足的普通用户作品作确定指控
  • 记录采集日期、检测工具与替代解释，不把检测器分数、评论怀疑或单个手指错误当最终证据

03

Evidence statement

本文的实证基础来自合成脸、深伪检测和照片操纵识别研究，能够说明人和机器都会误判；这些数据与全身 Kigurumi 的风格、装备和结构不同。“五轴真实性”及 AI 反向塑造真人审美的讨论属于理论和文化解释。具体作品只有在发布者声明、来源链或多重取证证据支持时才能确认生成方式。

04

Key findings

  1. 角色真实性、事件真实性和来源透明度是不同轴，纯生成图也可能高度符合角色。
  2. 手、脚、织物和头壳异常需要组合判断，并排除压缩、广角、修图和装备结构。
  3. 检测工具必须绑定模型、数据、阈值和日期，不能成为自动裁决。
  4. 生成步骤标注和连续来源链比依赖固定视觉瑕疵更可能形成长期可信机制。
Main textBKA-2026-012

01Problem

When looking too much like the character no longer proves anyone wore it

生成式图像能够制造高度完整的 animegao/Kigurumi 视觉：壳肤无缝、比例理想、背景精致、光线统一。但越符合角色想象，越可能削弱照片作为穿戴事件证据的直觉。本文研究的不是如何凭肉眼给每张图盖 AI 章，而是生成、修图与摄影怎样重新谈判角色真实性和来源可信度。注1

研究综合合成脸识别、深度伪造、媒体取证、照片操纵识别、后摄影真实性和数字身体研究。AI 脸实验表明合成图像可能难以辨识甚至被评价为更可信，但这些结果不能直接移植到全身 Kigurumi 图像，因为装备结构、手足、织物和角色风格提供了不同线索。[1][2][3][6][8]

图 1　真实脸与 AI 合成脸的分类正确率Nightingale 与 Farid（2022）的 StyleGAN2 合成脸实验。点为平均正确率，区间为 95% CI；训练组前后 64 张来自同一批参与者，不是独立样本。
基线判断n=315；无逐题反馈
分类正确率48.2%（95% CI 47.1%–49.2%）
教程与逐题反馈n=219
分类正确率59.0%（95% CI 57.7%–60.4%）
训练组前 64 张同一 n=219 的前半任务
分类正确率59.3%（95% CI 57.8%–60.7%）
训练组后 64 张同一 n=219 的后半任务
分类正确率58.8%（95% CI 57.4%–60.3%）

二分类机会水平为 50%。原研究使用筛去明显瑕疵、按人口特征匹配的 StyleGAN2 人脸，不是全身 Kigurumi 图像；这些数值不能命名为 Kig AI 鉴伪准确率，也不能用于给普通用户作品定性。

[1]注1注2

02Authenticity

Three kinds of authenticity must be separated

AI Kigurumi 讨论常把“像不像真的”混成一个问题。至少应区分：图像是否来自真实穿戴事件，图像内部是否具有物理和视觉一致性，图像是否忠实于角色设定。一张纯生成图可以高度角色真实却没有事件真实性；一张手机现场照事件真实，却可能因接缝和曝光而缺乏角色完成度。[8][10]

图 2　生成时代的五轴真实性
  1. 01

    事件真实性

    是否存在可核验的穿戴、拍摄、地点与时间事件

  2. 02

    图像一致性

    光影、结构、织物、手足、文字和空间关系是否自洽

  3. 03

    角色真实性

    外观、动作、配色和气质是否符合角色规则

  4. 04

    来源透明度

    发布者是否说明摄影、后期、生成和素材来源

  5. 05

    关系可信度

    作者、穿戴者、摄影者和商家身份是否可追踪

五个轴回答不同核验问题，不能合成为肉眼“真伪总分”；图像自洽与角色还原都不能替代来源透明度和关系可信度。

[8][5][2]

AI 可以生成“像发生过”的角色画面；研究的任务是区分像、发生与被怎样声明。

03Visual Clues

Why hands, feet, fabric, and shells remain clues rather than verdicts

生成图常被从手指数量、脚部结构、接缝、眼片反射、假发连续性、服装受力、背景文字和镜面关系识别。这些检查有价值，但任何单一异常都可能来自动作模糊、压缩、广角、修图、装备本身或局部生成。研究应把它们记录为线索组合，而不是凭一个手指就宣布终局。[5][9][2]

Kigurumi 又增加特殊结构知识：头壳边缘怎样接颈部、手套和 Kig 皮如何形成五指、鞋履与足部覆盖如何受重力、假发是否应遮住某些壳体接缝。熟悉工艺可以提高审查问题的针对性，但也可能造成过度自信。

表 1　Kigurumi 图像的来源核查线索
↔ Scroll horizontally to view all columns
线索层检查对象可能异常不能单独证明
身体结构手指、脚趾、关节、重心和遮挡数量变化、融合、受力不可能一定由 AI 生成
装备结构壳边、眼片、假发、Kig 皮和鞋履连接接缝凭空消失、材质连续错误真实装备不可能经过修图
光学关系高光、阴影、镜面、景深和焦点多套光源逻辑、反射对象缺失没有复杂灯光或合成
文字与背景标牌、纹理重复、边缘人物和建筑字符变形、结构自相矛盾平台压缩不是原因
来源链原始发布、拍摄说明、连续作品和文件信息身份断裂、时间线冲突、只剩搬运图发布者必然恶意
[2][9]

04Detection

Why “nobody can tell” is not a complete conclusion

合成脸研究发现，部分 AI 生成脸难以与真实脸区分，并可能获得更高可信度；深伪检测研究也显示机器、人群和机器辅助人群各有优势与失败。结果说明视觉直觉有限，不说明任何可疑图像都无法核验，更不说明所有生成模型在所有年份和风格上表现相同。[1][3]

图 3　真实脸与 AI 合成脸的平均可信度评分同一研究的独立可信度实验，n=223；参与者在 1（非常不可信）至 7（非常可信）量表上评分。
真实脸
平均可信度4.48 / 7
AI 合成脸
平均可信度4.82 / 7

原研究中合成脸平均评分高约 7.7%，但可信度评分不等于真实性识别、购买信任、商家信誉或角色偏好。原研究对象仍是匹配的人脸图像，不是 Kigurumi。

[1]注1

Kigurumi 图像与合成脸不同：角色脸本来就是人工头壳，判断重点转向全身结构、装备一致性和来源链。检测器若主要训练在人脸深伪上，未必适用于动漫头壳和织物；反之，普通观众也可能把真实但高完成度的返图误判为 AI。[2][12]

05Provenance

Labels, provenance, and hybrid images

现实作品不是“纯摄影/纯 AI”二分。创作者可能使用生成背景、局部补绘、扩图、去物、面部替换、色彩调整或完全生成角色。研究和平台标注应描述主要生成步骤和证据相关修改，而不是只放一个含糊的“有后期”。

来源链包括原始发布账号、拍摄和生成说明、穿戴者与摄影者署名、素材授权、版本时间和转载路径。深伪研究强调合成媒体会制造不确定性；明确来源不能消除所有欺骗，却能让争议从猜图转向可核验陈述。[4][7][9]

表 2　Kigurumi 图像的建议生成标注
↔ Scroll horizontally to view all columns
类型最低说明对观看者的重要性典型风险
摄影 + 常规调色摄影者、穿戴者、基础后期确认真实穿戴与作者关系过度宣传“绝对原片”
摄影 + 局部结构修改说明液化、替换、去接缝或合成范围判断身体与产品是否仍对应把结构修改当商品实拍
摄影 + 生成背景/扩图说明背景或画幅由生成工具完成区分事件地点与艺术场景虚构活动地点和环境
全生成角色图明确 AI 生成及主要模型/作者信息避免冒充穿戴返图盗用真实 Kiger 风格或身份
混合来源不明标记无法独立核验提醒证据强度有限被搬运后丢失全部来源
[5][4]

06Community / Market

How AI reshapes live Kigurumi practice and markets

生成图可以快速展示理想比例、无缝壳肤和复杂场景，进而成为真人摄影、定制和角色设计的视觉参照。创作者可能追求 AI 式高光、极端长腿、完全无褶皱或不可能的头身关系；数字幻想由此反向要求物理装备和真人身体。

市场风险更直接。全生成图若被当成商品样片，会让买家无法判断实际材质、结构和交付能力；盗用真实作品训练或仿制，又牵涉作者、穿戴者和角色 IP。公开市场分析应区分概念图、效果图、真实成品和买家返图。[7][9]

07Research Ethics

Research ethics: suspicion must not become a witch hunt

未经发布者说明或充分来源证据，论文不应把具体普通用户作品断言为 AI。可以记录“评论者质疑”“存在某类结构异常”“来源无法独立核验”，并说明替代原因。错误指控同样会伤害创作者声誉。注2

  • 检测器分数不是最终裁决，必须报告工具、版本、阈值和已知局限。[2][3]
  • 视觉异常需要排除压缩、广角、动作模糊、修图和装备结构。[5]
  • 引用争议图像遵循最小必要原则，避免扩大未经授权传播。[7]
  • 研究结论绑定采集日期，因为生成模型和平台标注规则快速变化。[9]

08Conclusion

Conclusion: authenticity becomes a relation of provenance

AI 生成让 Kigurumi 图像可以在没有穿戴事件的情况下达到极高角色完成度，也让真实返图因过度精致被误判。判断因此不能停在“看起来像不像 AI”，而要区分事件、图像、角色、来源和关系五个层面。

视觉线索、检测工具和平台标注都只能提供部分证据。更稳的路线是保存原始发布、制作说明、作者与穿戴者关系、版本和转载链。艺术作品可以自由混合摄影和生成，但越声称商品、活动或真人事实，越需要透明来源。[9][8]

Notes

Notes

  1. 1

    本文讨论生成式图像、局部生成后期和传统摄影修图的证据差异；不提供绕过平台标注、伪造来源或冒充真人返图的方法。

  2. 2

    未经发布者明确说明或充分来源证据，不把具体普通用户作品断言为 AI；研究报告使用“存在异常”“无法核验”等分级措辞。

Bibliography

References

  1. [1]

    NIGHTINGALE S J, FARID H. AI-synthesized faces are indistinguishable from real faces and more trustworthy[J]. Proceedings of the National Academy of Sciences, 2022, 119(8): e2120481119. DOI: 10.1073/pnas.2120481119.

    Peer-reviewed studyDOI: 10.1073/pnas.2120481119
  2. [2]

    VERDOLIVA L. Media Forensics and DeepFakes: An Overview[J]. IEEE Journal of Selected Topics in Signal Processing, 2020, 14(5): 910-932. DOI: 10.1109/JSTSP.2020.3002101.

    Peer-reviewed studyDOI: 10.1109/JSTSP.2020.3002101
  3. [3]

    GROH M, EPSTEIN Z, FIRESTONE C, PICARD R. Deepfake detection by human crowds, machines, and machine-informed crowds[J]. Proceedings of the National Academy of Sciences, 2021, 119(1): e2110013119. DOI: 10.1073/pnas.2110013119.

    Peer-reviewed studyDOI: 10.1073/pnas.2110013119
  4. [4]

    VACCARI C, CHADWICK A. Deepfakes and Disinformation: Exploring the Impact of Synthetic Political Video on Deception, Uncertainty, and Trust in News[J]. Social Media + Society, 2020, 6(1): 2056305120903408. DOI: 10.1177/2056305120903408.

    Peer-reviewed studyDOI: 10.1177/2056305120903408
  5. [5]

    FARID H. Image forgery detection[J]. IEEE Signal Processing Magazine, 2009, 26(2): 16-25. DOI: 10.1109/MSP.2008.931079.

    Peer-reviewed studyDOI: 10.1109/MSP.2008.931079
  6. [6]

    NIGHTINGALE S J, WADE K A, WATSON D G. Can people identify original and manipulated photos of real-world scenes?[J]. Cognitive Research: Principles and Implications, 2017, 2(1): 30. DOI: 10.1186/s41235-017-0067-2.

    Peer-reviewed studyDOI: 10.1186/s41235-017-0067-2
  7. [7]

    CHESNEY R, CITRON D K. Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security[J]. SSRN Electronic Journal, 2018. DOI: 10.2139/ssrn.3213954.

    Scholarly referenceDOI: 10.2139/ssrn.3213954
  8. [8]

    MITCHELL W J. The Reconfigured Eye: Visual Truth in the Post-Photographic Era[M]. Cambridge, MA: MIT Press, 1992.

    Academic book
  9. [9]

    FARID H. Fake Photos[M]. Cambridge, MA: MIT Press, 2022.

    Academic book
  10. [10]

    BENJAMIN W. The Work of Art in the Age of Its Technological Reproducibility, and Other Writings on Media[M]. Cambridge, MA: Harvard University Press, 2008.

    Academic book
  11. [11]

    BA S, PAVLOU P A. Evidence of the Effect of Trust Building Technology in Electronic Markets: Price Premiums and Buyer Behavior1[J]. MIS Quarterly, 2002, 26(3): 243-268. DOI: 10.2307/4132332.

    Peer-reviewed studyDOI: 10.2307/4132332
  12. [12]

    LAMERICHS N. Costuming as subculture: The multiple bodies of cosplay[J]. Scene, 2014, 2(1-2): 113-125. DOI: 10.1386/scene.2.1-2.113_1.

    Peer-reviewed studyDOI: 10.1386/scene.2.1-2.113_1

Citation / Revision

Recommended citation

BeKig Academic Editorial Board. Between Real and Synthetic: AI Images, Retouching, and Visual Authenticity in Kigurumi[EB/OL]. BeKig Academic Review, 2026-07-13 (revised 2026-07-13). https://bekig.top/en/academic/ai-kigurumi-visual-authenticity/

Numbered references / web-adapted GB/T 7714 style
BKA-2026-012
Revision
1.1

Related research

BKA-2026-007The Photographed Character: Retouching, Returned Images, and the Completion of the Kigurumi BodyBKA-2026-008The Platformed Character Body: How Short Video, Covers, and Interfaces Reshape Kigurumi VisualityBKA-2026-011From Head Shell to Character Asset: Value and Trust in Kigurumi Custom Production