PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.22751v2cs.CV

AI 생성 이미지 탐지를 위한 스펙트럼 꼬리 보조 학습

Spectral Tail Auxiliary Learning for AI-Generated Image Detection

생성형 이미지 모델이 빠르게 발전함에 따라 생성된 이미지와 실제 이미지 간의 지각적 격차가 계속 줄어들고 있으며, 이로 인해 AI 생성 이미지 탐지가 점점 더 어려워지고 있습니다. 기존의 많은 방법은 주파수 영역(frequency-domain) 단서를 탐지에 활용하며, 이는 대개 주파수 영역 아티팩트 또는 고주파 불일치로 설명됩니다. 그러나 구체적이고 반복적으로 나타나는 스펙트럼 규칙성에 대한 이해와 특성 분석은 여전히 미흡한 상태입니다. 본 논문에서는 실제 이미지와 생성된 이미지의 1차원 방사형 로그 파워 스펙트럼(one-dimensional radial log-power spectra)을 체계적으로 분석합니다. 그 결과, 생성된 이미지가 전체 스펙트럼이나 고주파수 대역 전반에서 반드시 더 높거나 낮은 에너지를 나타내는 것은 아님을 발견했습니다. 대신 이들의 스펙트럼은 멱법칙 감쇠(power-law decay)에서 벗어나 초고주파 꼬리 부분에서 변칙적인 상승을 보입니다. 저자들은 이 현상을 '스펙트럼 꼬리 상승(spectral tail uplift)'이라고 명명합니다. 나아가 이 현상이 학습된 생성 모델 내부의 비선형 고조파 누적(nonlinear harmonic accumulation)에 기인함을 밝히며, 이것이 다양한 생성 아키텍처 전반에서 구조적 단서로 작용할 수 있음을 제시합니다. 이러한 관찰을 바탕으로 일반화 가능한 AI 생성 이미지 탐지를 위한 주파수 영역 보조 지도 프레임워크인 STAL(Spectral Tail Auxiliary Learning)을 제안합니다. STAL은 학습(training) 중에 꼬리 인식 주파수 교사(tail-aware frequency teacher)로부터 공간 탐지기로 스펙트럼 꼬리 단서를 전이하며, 추론(inference) 시점에는 모든 주파수 영역 모듈을 제거합니다. 결과적으로 STAL은 추론 오버헤드를 발생시키지 않습니다. 9개의 공개 데이터셋에 대한 광범위한 실험을 통해 STAL이 다양한 생성기, 데이터 분포 및 실제 환경 시나리오 전반에서 뛰어난 일반화 성능과 안정성을 달성함을 입증합니다.

arXiv:2606.20488v1cs.CV

학습 없는 AI 생성 이미지 탐지기는 얼마나 취약한가? 점수 방향, 전처리 및 압축에 대한 통제된 검증

How Fragile Are Training-Free AI-Generated Image Detectors? A Controlled Audit of Score Direction, Preprocessing, and Compression

AI 생성 이미지의 학습 없는 탐지기는 분류기 학습 없이 생성기에 구애받지 않는 배치를 약속하지만, 보고된 수치들은 단일 통제된 프로토콜 하에서 거의 비교되지 않았습니다. 우리는 7개의 생성기와 품질 70 및 50의 JPEG 압축을 포괄하는 공통의 1,500장 GenImage 파생 벤치마크에서, 두 가지 대표적인 학습 없는 점수인 오토인코더 재구성 점수(AEROBLADE 스타일)와 노이즈 섭동 특징 유사도 점수(RIGID 스타일), 그리고 단순한 특징-kNN 대조군을 검증했습니다. 이 검증을 통해 세 가지 주의가 필요한 발견을 얻었습니다. (i) 구현 세부사항이 방법론적 차이로 오인됩니다: LPIPS 백본(AlexNet -> VGG-16)을 교체하면 전체 AUROC가 +0.085 변화하며, 512로 크기 조정(resize-to-512)과 원본 해상도 전처리 간 전환은 생성기별 결론을 최대 0.38 AUROC만큼 뒤집습니다. (ii) 점수 방향은 방법의 속성이 아니라 그 하이퍼파라미터의 속성입니다: RIGID 스타일 점수는 노이즈 수준 sigma=0.05에서 SD1.5와 Wukong에 대해 반전(AUROC < 0.5)되지만, sigma=0.01에서는 모든 생성기에 대해 0.5 이상으로 회복되며, sigma=0.3에서는 0.15로 떨어집니다. (iii) 데이터셋 형식 바이어스는 강건성 주장을 부풀립니다: 통합된 재인코딩 없이는 AlexNet 백본 재구성 점수의 경우 JPEG-50 조건에서의 AUROC가 압축되지 않은 조건을 초과합니다; 바이어스 보정 후 잔여 이상치는 단일 생성기(BigGAN)로 국한됩니다. 검증된 점수들은 상호 보완적인 생성기별 실패 세트를 가지고 있지만, 단순한 z-점수 융합은 최고의 단일 점수를 이기지 못하며, 이는 상호 보완성을 활용하려면 방향을 고려한 조합이 필요함을 시사합니다.