PyTorchKR Papers

최신 논문

총 1편
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.