PyTorchKR Papers

최신 논문

총 14편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2510.16320v2cs.CV

딥페이크 탐지를 위한 스케일링 법칙

Scaling Laws for Deepfake Detection

본 논문에서는 딥페이크 탐지 태스크를 위한 스케일링 법칙(scaling laws)에 대한 체계적인 연구를 제시합니다. 구체적으로, 실제 이미지 도메인의 수, 딥페이크 생성 기법의 수, 그리고 학습(training) 이미지의 수에 따른 모델(model) 성능을 분석합니다. 기존 데이터셋(dataset) 중 본 연구의 규모 요구사항을 충족하는 데이터셋이 없기 때문에, 당 분야에서 현재까지 가장 큰 규모인 ScaleDF를 구축했습니다. ScaleDF는 51개의 서로 다른 데이터셋(도메인)에서 수집한 580만 개 이상의 실제 이미지와 102개의 딥페이크 기법으로 생성된 880만 개 이상의 가짜 이미지를 포함합니다. ScaleDF를 사용하여 대규모 언어 모델(LLM)에서 나타나는 것과 유사한 멱법칙 스케일링(power-law scaling)을 관찰했습니다. 특히, 실제 도메인 수나 딥페이크 기법 수가 증가함에 따라 평균 탐지 오류율은 예측 가능한 멱법칙 감소세를 보입니다. 이러한 핵심 관찰 결과는 목표 성능에 도달하는 데 필요한 추가 실제 도메인 수나 딥페이크 기법 수를 예측할 수 있게 해줄 뿐만 아니라, 데이터 중심(data-centric) 방식으로 진화하는 딥페이크 기술에 대응할 수 있는 통찰을 제공합니다. 이에 더해, 스케일링 환경 하의 딥페이크 탐지에서 사전학습(pre-training)과 데이터 증강(data augmentations)의 역할 및 스케일링 자체의 한계점을 조사합니다. ScaleDF 데이터셋은 https://huggingface.co/datasets/WenhaoWang/ScaleDF 에서 이용할 수 있습니다.

arXiv:2609.24359v1cs.CV

에이전틱 포렌식 분석: 오픈월드 가짜 이미지 탐지에서 분류 선별, 프롬프팅, 증거 중재의 역할

Dissecting Agentic Forensics: The Role of Triage, Prompting, and Evidence Arbitration in Open-World Fake Image Detection

이미지 포렌식은 점점 더 오픈월드(open-world) 문제가 되고 있습니다. 조작의 유형은 완전한 합성 이미지부터 국소적 편집, 이어붙이기(splicing), 바꾸기(swapping)에 이르기까지 다양한 반면, 대부분의 포렌식 탐지기는 여전히 단일 조작 계열에만 특화되어 있습니다. 최근 에이전틱(agentic) AI가 유망한 해결책으로 떠올랐습니다. 원칙적으로 이러한 시스템은 개별 탐지기의 신뢰성을 평가하고, 범위를 벗어난 증거를 식별하며, 상충하는 보고를 중재할 수 있습니다. 그러나 실제로 어떤 구성 요소가 성능을 주도하는지, 그리고 이들의 이점이 분포 변화(distribution shift) 하에서도 유지되는지는 여전히 불분명합니다. 이러한 질문에 답하기 위해, 본 연구에서는 전문 탐지기, 탐지기별 분류 선별(triage), 충돌 인지형 증거 중재를 중심으로 구축된 학습(training) 불필요(training-free) 에이전틱 프레임워크를 연구합니다. 6가지 구성과 3가지 멀티모달 대규모 언어 모델(multimodal LLM) 백본을 사용하여, 분포 내(in-distribution) 및 분포 외(out-of-distribution) 데이터 모두에서 분류 선별, 프롬프팅, 추론 품질의 역할을 분석합니다. 실험 결과에 따르면 단순한 탐지기 융합은 진본 이미지에 대해 심각한 위양성률(false-positive rate)을 겪는 것으로 나타났습니다. 분류 선별과 프롬프팅은 신뢰할 수 없는 증거를 필터링하고 탐지기의 한계를 드러냄으로써 성능을 일관되게 향상시킵니다. 그러나 가장 지배적인 요인은 추론 자체로 나타납니다. 더 강력한 판별자(judge)는 특히 분포 변화 환경에서 더 약한 판별자보다 실질적으로 우수한 성능을 보입니다. 가장 주목할 점은 모든 구성에서 조작 재현율(recall)이 거의 포화 상태에 도달했다는 점이며, 이는 오픈월드 이미지 포렌식의 주요 과제가 조작을 탐지하는 것이 아니라 특화된 포렌식 도구에 대한 신뢰도를 보정하고 상충하는 증거를 중재하는 것임을 시사합니다.

arXiv:2607.24016v3cs.CV

DailyBench: 최신 생성 모델의 AI 생성 및 조작 이미지를 위한 통합 벤치마크

DailyBench: A Unified Benchmark for AI-Generated and Manipulated Images from Modern Generative Models

최근 생성 모델의 발전으로 AI 생성 이미지 탐지는 쉽게 구별 가능한 완전 합성 이미지를 식별하는 것에서, 최신 생성 및 조작 파이프라인 모두에서 생성된 고도로 사실적인 콘텐츠를 식별하는 것으로 초점이 이동했다. 그러나 기존 탐지 벤치마크는 종종 구식 생성 모델로 구축되었으며 주로 전체 이미지 합성에 중점을 두어, 벤치마크 데이터와 실제 생성 및 편집 시나리오에서 접하는 이미지 사이의 불일치가 점점 커지고 있다. 이 격차를 해소하기 위해, 우리는 AI 생성 이미지 탐지기가 최신 전체 이미지 합성과 객체 수준 조작 모두에 걸쳐 일반화할 수 있는지 평가하는 고품질 통합 벤치마크인 DailyBench를 제안한다. DailyBench는 두 가지 상호 보완적인 하위 집합으로 구성된다: 최근 오픈소스 및 상용 생성 모델로 합성한 고품질 이미지를 포함하는 FakeBench, 그리고 고급 이미지 조건부 모델을 사용해 실제 이미지에 적용한 도전적인 객체 수준 편집을 도입하는 ManipulationBench. 이 설계는 DailyBench를 미세한 국소 편집 하에서 생성기 수준 일반화와 조작 인식 탐지를 모두 연구하기 위한 현실적인 테스트베드로 만든다. DailyBench에서의 실험은 현재 탐지기의 상당한 견고성 격차를 드러낸다: GenImage에서 91-96%의 균형 정확도를 보고한 방법들은 FakeBench에서 60-76%, ManipulationBench에서 54-66%로 하락한다. 이 결과는 기존 탐지기가 사실적인 합성 및 조작에 대해 여전히 일반화가 부족함을 보여주며, DailyBench가 견고하고 조작 인식 AI 생성 이미지 탐지 방법 개발을 위한 엄격한 테스트베드임을 강조한다. 프로젝트는 https://dailybench.github.io/ 에서 확인할 수 있다.

arXiv:2606.21138v2cs.CV

SEED: 설명 가능한 텍스트 위조 탐지를 위한 Simple ViT와 Evolving Harness

SEED: Simple ViT and Evolving Harness for Explainable Text Forgery Detection

AI 보조 이미지 편집은 금융, 법률, 신원 기록에 대한 신뢰를 위협한다. ACM MM 2026 GenText-Forensics Challenge는 다국어 텍스트 중심 위조 이미지에 대해 탐지, 픽셀 수준 위치 특정, 자연어 설명을 통합한 구조화된 포렌식 보고서를 요구함으로써 이 문제를 다룬다. 본 논문은 세 가지 구성 요소로 이루어진 모듈형 시스템 SEED를 제안한다. 첫째, 유사도 유도(similarity-guided) 파이프라인이 다양한 합성 위조로 학습을 증강한다. 둘째, LoRA 적응을 적용한 DINOv3 기반의 단일 ViT가 최소한의 학습 가능 파라미터로 사전학습 prior를 보존하면서 탐지와 픽셀 수준 위치 특정을 공동으로 수행한다. 셋째, evolving harness는 탐지기의 예측을 입력으로 받아 다중모달 LLM(MLLM)을 통해 완전한 포렌식 보고서를 생성하며, 보고서 품질을 최적화하는 제안자-평가자(proposer-evaluator) 루프를 통해 반복적으로 개선된다. SEED는 GenText-Forensics Challenge에서 3위를 기록했다. 코드와 데이터는 https://github.com/KahimWong/GenText-Forensics-3rd-Place 에서 제공된다.

arXiv:2607.22808v1cs.CV

강건한 합성 이미지 출처 귀속을 위한 의미-스펙트럼 하이브리드 앙상블

Hybrid Semantic and Spectral Ensemble for Robust Synthetic Image Source Attribution

텍스트-투-이미지(T2I) 모델의 급속한 발전으로 강건한 합성 이미지 출처 귀속(SIA) 방법론이 필요해졌다. SIA의 핵심 과제는 JPEG 압축 및 블러링과 같은 알려지지 않은 후처리 연산을 거치는 실제 배포 이미지와 원본 학습 이미지 사이의 분포 이동(distribution shift)이다. 본 연구에서는 ICANN 2026 DLMMDD 챌린지를 위해 제안된 이중 분기 앙상블 프레임워크를 소개하며, 이는 의미 기반 심층 학습과 수학적 포렌식 특징 추출을 융합한다. 의미 분기는 지수 이동 평균(EMA)과 라벨 스무딩(Label Smoothing)으로 정규화한 EfficientNet-B0를 사용한다. 포렌식 분기는 고역 통과 노이즈 잔차에서 SVD 스펙트럼 프로파일 및 Local Binary Patterns(LBP)를 포함한 126개의 수학적 특징을 추출하고, 절단 SVD(Truncated SVD)로 압축한 뒤 XGBoost로 분류한다. 10개 생성기로 구성된 데이터셋에서 평가했으며, 테스트셋의 55%가 품질 저하된 조건에서 제안 방법은 비공개 리더보드 정확도 95.60%를 달성했다. 또한 전체 파이프라인은 GPU 가속 없이 표준 CPU에서 end-to-end로 6.5시간 미만에 실행되는 등 계산 효율이 매우 높아, 실제 배포를 위한 수학적 포렌식의 실용성과 확장성을 보여준다.

arXiv:2607.21897v1cs.CV

ISPCloak: 딥페이크 탐지기 대항 최적화 없는 물리적 위장을 위한 ISP 무기화

ISPCloak: Weaponizing ISP for Optimization-Free Physical Camouflage against Deepfake Detectors

생성 모델의 급속한 발전은 딥페이크 탐지기의 최악의 경우(worst-case) 견고성을 평가할 필요성을 촉발했다. 본 논문에서는 현재 포렌식 패러다임의 근본적인 사각지대를 밝힌다. 기존 탐지기는 디지털 합성 아티팩트를 포착하는 데 탁월하지만, AI 생성 콘텐츠가 진정한 물리적 촬영 특성으로 위장될 때 그 효과가 급격히 저하된다. 우리는 진짜 사진이 본질적으로 광학 센서와 이미지 신호 처리(Image Signal Processing, ISP) 파이프라인이 새긴, 인지할 수 없는 흔적인 하드웨어 고유의 통계적 시그니처를 지니며, 이는 순수 데이터 기반 생성 모델에는 근본적으로 부재한다고 주장한다. 이 통찰에 기반하여, 우리는 딥페이크 탐지기의 판단을 오도하기 위해 ISP 파이프라인을 명시적으로 무기화하는 새로운 최적화 없는 적대적 공격(adversarial attack) 프레임워크인 ISPCloak을 제안한다. 계산 비용이 큰 그래디언트 교란에 의존하는 대신, 우리 방법은 먼저 가역 ISP 네트워크를 사용하여 이미지를 RAW 도메인으로 투영한다. 그다음, 현실적인 Poisson-Gaussian 센서 노이즈를 주입하고 순방향 ISP 재구성을 수행함으로써 AI 생성 이미지에 실제 카메라의 복잡한 통계적 사전(prior)을 매끄럽게 각인한다. 생성 아티팩트 억제와 적응형 마스킹과 시너지를 이루면, 이 간소화된 물리적 시뮬레이션은 적대적 예제(adversarial example)의 초고속 생성을 가능하게 한다. 광범위한 실험은 진정한 물리적 교란을 임베딩하는 것이 현재의 다양한 탐지 메커니즘을 근본적으로 교란하며, 인지할 수 없는 시각적 변화로 보편적으로 회피 가능한 적대적 예제를 산출함을 보여준다.

arXiv:2604.02694v2cs.CV

DocShield: 증거 그라운딩 에이전트 추론을 통한 AI 문서 안전성

DocShield: Towards AI Document Safety via Evidence-Grounded Agentic Reasoning

생성형 AI의 급속한 발전으로 텍스트 중심 이미지 위조가 점점 더 현실적으로 가능해지면서 문서 안전성에 큰 도전을 제기하고 있다. 기존 포렌식 방법은 주로 시각적 단서에 의존하며, 미묘한 텍스트 조작을 드러내기 위한 증거 기반 추론이 부족하다. 탐지, 위치 특정, 설명은 종종 개별 과제로 취급되어 신뢰성과 해석 가능성을 제한한다. 이러한 과제를 해결하기 위해, 텍스트 중심 위조 분석을 시각-논리 공동 추론 문제로 공식화하는 최초의 통합 프레임워크인 DocShield를 제안한다. 핵심은 새로운 Cross-Cues-aware Chain of Thought(CCT) 메커니즘으로, 암묵적 에이전트 추론을 가능하게 하며 시각적 이상과 텍스트 의미를 반복적으로 교차 검증하여 일관되고 증거 그라운딩(evidence-grounded) 포렌식 분석을 생성한다. 또한 GRPO 기반 최적화를 위한 Weighted Multi-Task Reward(가중 다중 과제 보상)를 도입하여 추론 구조, 공간적 증거, 진위 예측을 정렬한다. 프레임워크를 보완하기 위해 픽셀 수준 조작 마스크와 전문가 수준의 텍스트 설명을 포함한 문서형 텍스트 이미지 다국어 데이터셋 RealText-V1을 구축한다. 광범위한 실험 결과 DocShield는 기존 방법을 크게 능가하며, T-IC13에서 특화 프레임워크 대비 매크로 평균 F1을 41.4% 향상하고 GPT-4o 대비 23.4% 향상했으며, 어려운 T-SROIE 벤치마크에서도 일관된 성능 향상을 보였다. 데이터셋, 모델, 코드는 공개될 예정이다.

arXiv:2607.06354v1cs.CV

향상된 RGB-노이즈 표현 학습을 통한 일반화된 합성 이미지 탐지

Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning

RNSIDNet은 AI 생성 이미지 탐지의 교차 모델 일반화 문제를 해결하기 위해, 어텐션 정제 CLIP 백본으로 추출한 RGB 의미 특징과 Bayar 컨볼루션으로 포착한 고주파 노이즈 잔차를 FiLM 모듈로 동적 융합하는 이중 브랜치 포렌식 프레임워크를 제안한다. 여기에 어려운 샘플에 더 큰 그래디언트 페널티를 부여하는 Hard Sample-aware Contrastive Learning(HSCL) 전략을 결합하여, 8개 공개 벤치마크에서 최첨단 탐지 성능과 우수한 일반화 능력을 달성하였다.

arXiv:2607.03862v1cs.CV

텍스처 속 숨겨진 흔적: 크로스 패러다임 AI 생성 이미지 탐지를 위한 텍스처-관계 단서

Ghosts Beneath Textures: Texture-Relation Cues for Cross-Paradigm AI-Generated Image Detection

AI 생성 이미지가 급격히 확산됨에 따라 광범위한 연구가 진행되고 있다. 기존 AI 생성 이미지 탐지기 대부분은 노이즈 기반 또는 텍스트 기반 생성과 같은 이미지 자유 생성(image-free generation) 패러다임에서 개발 및 평가되었다. 그러나 이미지 조건부 생성(image-conditioned generation)은 생성 콘텐츠에 대한 보다 세밀한 제어를 가능하게 하므로 실용적 응용 분야에서 점점 더 중요해지고 있다. 이 두 패러다임에 걸쳐 AI 생성 이미지를 탐지하는 문제는 오랫동안 간과되어 온 핵심적인 크로스 패러다임 탐지 문제를 야기한다. 이 문제를 연구하기 위해, 우리는 크로스 패러다임 AI 생성 이미지 탐지를 위한 벤치마크인 ConImageGen을 구축한다. ConImageGen에 대한 평가 결과, 기존 탐지기들은 이미지 자유 생성과 이미지 조건부 생성 간에 신뢰할 만한 일반화에 실패함을 보인다. 이 문제를 해결하기 위해, 본 논문은 크로스 패러다임 포렌식 단서를 식별하고 일반화된 AI 생성 이미지 탐지를 위한 새로운 관점을 제시한다. 구체적으로, 의미론적 간섭을 억제함으로써 우리는 생성 패러다임 전반에 걸쳐 의미와 무관한 텍스처 패턴을 최초로 시각화한다. 이러한 패턴은 구조화된 국소-전역 텍스처 관계를 나타내며, 이는 일반화 가능한 포렌식 증거의 형태임을 시사한다. 이 발견에 착안하여, 우리는 명시적 아티팩트를 직접 활용하는 방식에서 텍스처 관계를 모델링하는 방향으로 초점을 전환하고, 일반화된 AI 생성 이미지 탐지를 위해 이러한 관계를 포착하고 활용하는 탐지 프레임워크인 DTS-Det을 제안한다. 광범위한 실험을 통해 우리 방법의 효과가 검증된다. DTS-Det은 다양한 평가 설정에서 최첨단 성능을 달성하며, ConImageGen에서 최적 기준선 대비 10.5% 향상된 99.6% ACC를 기록한다. 또한 PicoBanana/RAID에 대한 크로스 데이터셋 평가에서 93.2%/94.1% ACC를 달성하고, 재구성 공격 및 블랙박스 적대적 공격 하에서 각각 95.2%/88.1%의 탐지율을 유지한다.

arXiv:2606.27637v1cs.CV

CNN과 Vision Transformer 융합을 통한 AI 생성 이미지 인식

AI-Generated Image Recognition via Fusion of CNNs and Vision Transformers

최근 합성 데이터 기술의 발전으로 뛰어난 품질의 이미지가 생성되는 새로운 시대가 열렸으며, 실제 이미지와 인공지능(AI)이 생성한 이미지 간의 경계가 모호해지고 있다. 이러한 변화는 데이터의 신뢰성과 진위성을 보장하는 데 큰 과제를 제기하며, 견고한 탐지 방법의 필요성을 강조한다. 본 논문에서는 이러한 시급한 문제를 해결하기 위한 견고한 접근법을 제시한다. 우리의 방법론은 융합 전략을 활용하여 AI 생성 이미지를 식별하기 위해 여러 탐지 방법의 강점을 결합하는 것에 중점을 둔다. CIFAKE 데이터셋에서 광범위한 실험을 통해, 우리 모델은 97.32%라는 인상적인 정확도를 달성하며 뛰어난 성능을 보여준다. 이 성과는 AI 생성 이미지와 실제 이미지를 정확히 구분하는 우리 접근법의 효과를 부각하며, 합성 데이터의 확산 속에서 데이터 인증 기술의 발전에 기여한다.

arXiv:2606.26552v1cs.CV

지각, 판정, 진화: AI 생성 이미지 탐지를 위한 후견 주도 자기 정제 포렌식 에이전트

Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection

AI 생성 이미지 탐지의 정확도를 높이기 위해 의미적·주파수·공간 영역의 다중 관점 단서를 통합한 Perception-Verdict 아키텍처와, 정답 라벨을 후견(hindsight)으로 삼아 실패 사례를 고품질 학습 신호로 변환하는 Hindsight-Driven Self-Refining 전략을 결합한 에이전트 프레임워크 ForeAgent를 제안한다. ForeAgent는 Chameleon 벤치마크에서 82.18% 정확도(AIDE 대비 +16.41%p), AIGCDetectBenchmark에서 16개 생성기 평균 93.3% 정확도로 최첨단 성능을 달성하며 GPT-5 대비 더 일관되고 인과적으로 근거 있는 추론을 생성함을 입증했다.

arXiv:2606.21108v1cs.CV

SARIF: 강건한 이미지 포렌식을 위한 Segment Anything

SARIF: Segment Anything for Robust Image Forensics

이미지 위조 영역定位은 다양한 조작 기법과 분포 변화(distribution shift)로 인해 여전히 어려운 과제이다. 기존 위조 영역定位 모델들은 벤치마크에서 높은 정확도를 달성하지만, 교차 도메인 일반화(cross-domain generalization)와 강건성(robustness)에서는 종종 어려움을 겪는다. 본 논문에서는 SARIF(Segment Anything for Robust Image Forensics)를 제안한다. 이는 프롬프트 가능한 아키텍처와 강한 일반화 능력을 갖춘 Segment Anything Model(SAM)을 활용하는 프레임워크이다. SARIF는 SAM 아키텍처를 활용하면서 포렌식 흔적을 포착하기 위해 위조 특화 정보를 추출하는 피드백 유도(feedback-guided) 마스크 디코더와 이중 인코더(dual-encoder) 설계를 도입한다. 조작된 영역을定位하기 위해, 적응(adapted) 인코더와 동결(frozen)된 대응 인코더 간 잔차 특징(residual features)으로부터 위조 특화 단서를 도출하는 블록 단위(block-wise) 프롬프트 메커니즘을 설계한다. 이러한 특징은 이전 마스크 프롬프트와 융합되어 피드백 기반 마스크 정제 과정을 구동하며, 수동 입력 없이 자동 위조 분할(forgery segmentation)을 가능하게 한다. 표준 위조 영역定位 벤치마크에 대한 광범위한 실험 결과, SARIF는 강한 평균 교차 데이터셋 성능과 일반적인 이미지 손상(image corruption)에 대한 강건성을 달성함을 보여준다.

arXiv:2508.09459v3cs.CV

RelayFormer: 확장 가능한 이미지 및 비디오 조작 국지화를 위한 통합 로컬-글로벌 어텐션 프레임워크

RelayFormer: A Unified Local-Global Attention Framework for Scalable Image and Video Manipulation Localization

시각적 조작 국지화(Visual Manipulation Localization, VML)는 이미지와 비디오 내의 변조된 영역을 식별하는 것을 목표로 하며, 고급 편집 도구의 등장으로 인해 점점 더 어려워지는 과제입니다. 기존 방법들은 두 가지 핵심적인 문제에 직면해 있습니다. 첫 번째는 해상도 다양성(resolution diversity)입니다. 크기 조정(resizing)이나 패딩(padding)은 미세한 포렌식 단서(forensic cues)를 왜곡하고 불필요한 계산 비용을 초래할 수 있습니다. 두 번째는 이미지용 공간 모델(spatial models)을 비디오의 시공간 입력(spatio-temporal inputs)으로 확장하는 어려움으로, 이는 종종 두 데이터 유형에 대해 별도의 아키텍처를 유지하는 결과로 이어집니다. 이러한 문제들을 해결하기 위해, 우리는 다양한 해상도에 적응하고 정적 및 시간적 시각 데이터를 자연스럽게 처리하는 통합 프레임워크인 RelayFormer를 제안합니다. RelayFormer는 입력을 고정 크기의 하위 이미지(sub-images)로 분할하고, 릴레이 기반 어텐션(relay-based attention) 메커니즘을 통해 구조화된 컨텍스트(context)를 전파하는 글로벌 로컬 릴레이(Global Local Relay, GLR) 토큰을 도입합니다. 이 설계는 미세한 조작 아티팩트(artifacts)를 보존하면서 의미적 또는 시간적 일관성과 같은 글로벌 단서(cues)의 효율적인 교환을 가능하게 합니다. 균일한 크기 조정이나 희소 어텐션(sparse attention)에 의존하는 이전 접근 방식과 달리, RelayFormer는 최소한의 오버헤드로 가변 해상도와 비디오 시퀀스로 확장(scales)됩니다. 다양한 벤치마크(benchmarks)에 걸친 실험은 보간(interpolation)이나 과도한 패딩 없는 해상도 적응성, 이미지 및 비디오에 대한 통합 처리, 그리고 정확도와 계산 비용 사이의 우수한 균형을 결합하여 뛰어난 성능과 강력한 효율성을 입증합니다. 코드는 https://github.com/WenOOI/RelayFormer에서 확인할 수 있습니다.

arXiv:2606.07034v1cs.CV

ForensicConcept: AI 생성 이미지 탐지를 위한 전이 가능한 포렌식 개념

ForensicConcept: Transferable Forensic Concepts for AIGI Detection

AI 생성 이미지 탐지기는 분포 내 데이터에서 높은 정확도를 달성하지만, 미확인 생성기에 대해서는 종종 실패한다. 이러한 실패를 이해하는 데 있어 핵심 장애물은 현재 탐지기의 블랙박스 특성으로, 어떤 증거가 결정을 이끄는지 드러내지 않는다는 점이다. 우리는 탐지기에서 명시적인 포렌식 개념을 추출하고 백본 간 전이를 가능하게 하는 프레임워크인 ForensicConcept을 제안한다. 우리의 방법은 트랜스포머 어트리뷰션을 통해 결정에 중요한 패치를 지역화하고, 이를 컴팩트한 개념 코드북으로 클러스터링하며, 개념 정렬 투영을 사용하여 감사 가능한 증거 판독값을 생성한다. DINO 표현이 확산 생성을 안내하고 확산 특징과 개념 수준의 대응을 나타낼 수 있음을 보인 선행 연구에 착안하여, 우리는 CleanDIFT 확산 특징에 기반한 생성 흔적 참조를 도입하고 이웃 구조 일관성(CKNNA)을 통해 백본-흔적 정렬을 정량화한다. 나아가 확산에서 도출된 개념을 목표 백본으로 전이하기 위한 개념 코드북 주입을 제안한다. GenImage, GAN-family, Chameleon 벤치마크에 대한 실험에서 기존 방법 대비 일관된 성능 향상이 확인된다. 또한 CKNNA 정렬이 전이 효과를 예측하며, 일부 백본이 다른 백본보다 더 전이 가능한 포렌식 증거를 생성하는 이유에 대한 원칙적인 설명을 제공함을 발견한다.