미세 아티팩트 학습을 통한 AI 생성 영상 검출의 일반화 성능 및 강건성 향상 = Learning Fine-grained Artifacts for Generalized AI-Generated Image Detection

국문 초록 (Abstract)

AI 영상 생성 기술은 여러 산업에 혁신적인 변화를 가져오는 긍 정적인 잠재력을 가지고 있다. 하지만 이러한 기술의 발전은 동시에 딥페이크와 같은 현실과 구분하기 어려운 가짜 콘텐츠의 오용 위험 을 증대시켜 사회적 혼란과 불신을 야기할 수 있으며, 이는 AI 영상 의 진위를 판별하는 강력한 검출 기술의 필요성을 증가 시키고 있 다. 기존의 범용적인 AI 생성 영상(AIGI) 검출 방법들은 학습된 생성 영상(Seen Fake)의 아티팩트에 과적합 되는 경향이 있으며, 실제 영 상과 학습 되지 않은 생성 영상(Unseen Fake) 영상 간의 미세한 아 티팩트 차이를 효과적으로 활용하지 못해 일반화 성능이 낮다. 또한 JPEG 압축과 같은 후처리 과정이 적용되는 현실적인 상황에서의 성 능 하락 문제가 있다. 이러한 한계점을 해결하기 위해 Real to VAE 공간 내에서의 Continuous Artifact Learning을 활용하는 AIGI 검출 방식을 제안한다. 제안된 방법은 실제 영상과 VAE 재구성 영상을 믹스업(Mixup)하여 연속적인 데이터를 생성함으로써 미세한 아티팩트의 차이를 연속적 인 스펙트럼으로 합성한다. 이후 연속적인 공간 학습을 통해 미세한 아티팩트의 차이를 검출기가 찾을 수 있도록 하여 미세한 아티팩트 차이에 강건한 검출기를 만든다. 실험 결과, 제안된 방법은 압축이 적용된 현실적인 테스트 환경에 서 SOTA(State-of-the-Art) 일반화 성능(mACC 95.9%)을 달성했으며, 기존의 생성 아티팩트 기반 접근 방식 대비 우수한 강건성을 보였 다.

목차 (Table of Contents)

• 1장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 주요 기여 3
• 1.3 논문 구성 3
• 제2장 관련 연구 4
• 2.1 생성 모델 아티팩트 기반 방식 4
• 2.2 복원 오차 기반 방식 5
• 2.3 범용 모델 기반 방식 6
• 제3장 제안 알고리즘 7
• 3.1 연구 동기 및 목표 7
• 3.2 연속 거리 학습 10
• 3.3 Real to VAE 연속 데이터 생성 11
• 3.4 Real to VAE 연속 공간 학습 13
• 3.5 Real, Fake 영상 분류 15
• 제4장 실험 결과 및 한계점 16
• 4.1 평가 지표 및 데이터셋 16
• 4.2 실험 결과 18
• 4.3 실험 결과의 한계점 및 향후 연구 23
• 제5장 결 론 25
• 참 고 문 헌 26
• ABSTRACT 29