최근 딥페이크 탐지에 관해 상당한 연구가 이루어지고 있다. 그러나 기존의 대부분 방법은 미지의 영역에서 새로운 생성 모델의 발전에 적응하는 데 어려움을 겪는다. 또한 Diffusion, Consistency, LCM과 같은 고품질 이미지를 생성하고 편집할 수 있는 새로운 생성 모델의 등장은 전통적인 딥페이크 학습 모델에 도전 과제를 제시한다. 이러한 발전은 정교한 이미지 조작 기술이 야기하는 위협에 효과적으로 대응하기 위해 기존 딥페이크 탐지 기법을 적응시키고 진화시킬 필요성을 부각시킨다. 본 논문에서는 라벨이 없는 데이터를 사용하여 미지의 영역에서 딥페이크 비디오를 탐지하는 것을 목표로 한다. 구체적으로, 제안하는 접근법은 Supervised Contrastive Learning과 결합한 Meta Pseudo Labels(MPL)를 사용하며, 이를 SupCon-MPL이라 한다. SupCon-MPL은 라벨이 없는 이미지로 모델을 학습할 수 있도록 한다. MPL은 Teacher 모델과 Student 모델을 동시에 학습하는 것으로, Teacher 모델이 Student 모델을 학습시키기 위해 활용하는 pseudo label을 생성한다. 이 방법은 미지의 새로운 영역에 등장하는 딥페이크 탐지 위협에 대해 탐지 시스템의 적응성과 견고성을 향상시키는 것을 목표로 한다. Supervised Contrastive Learning은 라벨을 이용하여 유사한 클래스 내의 샘플을 더 강하게 비교하는 한편, 서로 다른 클래스의 샘플과의 구별을 더 크게 유도한다. 이를 통해 모델은 다양한 딥페이크 이미지 집합에서 특징을 학습할 수 있으며, 결과적으로 미지의 영역에서의 딥페이크 탐지 성능에 기여한다. 백본으로 ResNet50 모델을 사용할 때, SupCon-MPL은 알려진 영역 탐지에서 전통적인 MPL에 비해 정확도가 1.58% 향상되었다. 또한 동일한 세대의 미지의 영역 탐지에서는 정확도가 1.32% 향상되었고, 생성 이후의 미지의 영역 탐지에서는 정확도가 8.74% 증가하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.