생성형 AI의 안전하고 윤리적인 사용을 위해 AI 생성 콘텐츠를 식별하는 것은 매우 중요하다. 최근 연구는 알려지지 않은 생성기를 대상으로 일반화되는 검출기를 개발하는 데 초점을 맞추었으며, 널리 사용되는 방법들은 고수준 특징 또는 저수준 지문에 의존하는 방식으로 나뉜다. 그러나 이러한 방법에는 명확한 한계가 있다. 즉, 보지 못한 콘텐츠에 치우치거나, JPEG 압축과 같은 일반적인 이미지 열화에 취약하다는 점이다. 이러한 문제를 해결하기 위해 본 연구는 고수준 의미 정보와 저수준 질감 정보를 통합하기 위해 PatchShuffle을 포함하는 새로운 접근법 SFLD를 제안한다. SFLD는 여러 수준에서 PatchShuffle을 적용함으로써 다양한 생성 모델 전반에 걸쳐 강건성과 일반화 성능을 향상시킨다. 또한 현재의 벤치마크는 낮은 이미지 품질, 충분하지 않은 콘텐츠 보존, 제한된 클래스 다양성과 같은 과제에 직면해 있다. 이에 대응하여, 실제 이미지와 합성 이미지 간에 시각적으로 거의 동일한 쌍을 구성함으로써 높은 품질과 콘텐츠 보존을 보장하는 새로운 벤치마크 생성 방법론인 TwinSynths를 도입한다. 광범위한 실험과 분석 결과, SFLD는 GAN, 확산 모델, TwinSynths에서 비롯된 다양한 가짜 이미지에 대한 검출에서 기존 방법을 능가하며, 새로운 생성 모델에 대한 최신 수준의 성능과 일반화 능력을 입증한다.

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