Deep-Learning-Based Image Forgery Detection and Localization
연구 내용
딥러닝 및 앙상블 모델을 활용하여 복사-이동/스플라이싱 위조 유형을 분류하고 위조 영역을 지역화하는 이미지 포렌식 연구
이미지 위조는 콘텐츠 무결성 훼손과 허위 정보 확산으로 이어질 수 있어, 입력 이미지에서 위조 흔적을 탐지하는 기술이 필요합니다. 연구실은 CNN 및 Transformer 계열 모델을 조합하거나 앙상블로 예측을 통합하여 분류 성능의 변동성을 줄이는 방향으로 접근합니다. 또한 위조 유형별 특징을 구조적 상관 관계와 클러스터링에 기반해 조직화한 뒤, 클러스터 내부에서 영역 매칭을 수행해 위조 여부와 위치를 함께 추정합니다. 이를 통해 복사-이동과 스플라이싱을 동시 처리하는 체계를 지향합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 복사-이동과 스플라이싱 중 하나의 위조 유형에 치우친 설계를 보완하기 위해, 이미지 간 구조적 상관 관계를 이용한 클러스터링과 영역 매칭을 결합하는 방식으로 분류·지역화 동시 수행을 모색했습니다. 이후에는 CNN 기반 모델과 Transformer 기반 모델의 역할을 비교하고, 이미지별로 성능 편차가 발생하는 문제를 해결하기 위해 ConvNeXt, Swin 계열 및 혼합 아키텍처를 포함한 앙상블 예측 프레임워크로 확장했습니다. 최근에는 위조 탐지 분야의 딥러닝 방법론 전반을 체계적으로 정리하고, 현장 적용을 고려한 모델 융합 방향을 강화하고 있습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Toward Deep-Learning-Based Methods in Image Forgery Detection: A Survey
Ensemble Approach for Image Recompression-Based Forgery Detection
Structural Correlation Based Method for Image Forgery Classification and Localization