마이크로 결함이 매크로 가짜를 드러낸다: 로컬 분포 변화에 의한 AI 생성 이미지 탐지(MDMF)

현대 생성 모델은 이미지의 글로벌 semantics에 의존하는 탐지기가 국소적이고 희박한 포렌식 신호를 놓칠 수 있다. Patch Forensic Signature(PFS)를 도입해 patch 단위 표현을 포렌식 공간으로 재매핑하고, Maximum Mean Discrepancy(MMD)로 patch-레벨 분포 차이를 누적하면, 실제 이미지와 AI생성 이미지 간의 분포 차이를 보다 안정적으로 포착할 수 있다. 이 접근은 다양한 생성 모델에 대해 일반화되고, 미세한 artefact가 분포 차이로 축적되어 최종 탐지 성능이 개선된다.

단락1: 기존 탐지는 이미지 전체를 하나의 벡터로 요약하는 글로벌 이미지 수준의 분류에 의존하는 경향이 있어, 생성 모델이 남긴 국소적이고 미세한 아티팩트를 무시하는 편향이 생긴다. 이로 인해 semantic 정보가 탐지 신호를 지배하고 Artifacts의 분포 차이가 약화될 수 있다. 단락2: Patch Forensic Signature(PFS)는 EI(x)와 같은 patch 임베딩을 forensic 공간 d차원으로 매핑하는 학습된 프로젝션 ϕθ를 통해 패치 간의 의미 정보를 감소시키고, 생성 아티팩트의 통계적 차이를 강조한다. 단락3: MD MF는 패치 단위 신호의 분포 차이를 모아 MMD로 측정하고, 이를 통해 패치-수준 신호를 이미지-수준 탐지로 안정적으로 합산한다. 이 구조는 국소적 신호가 충분히 존재할 때 글로벌 합산보다 분리성이 크게 증가함을 보인다. 단락4: patch granularity의 중간값(W=32)이 최적의 균형을 형성하고, 백본 변화나 post-processing에도 견고한 성능을 유지한다. 패치 기반 분포 비교는 공격의 domain-shift에도 강인하다.

단락1: 실험 파이프라인의 개요. DINOv2를 패치 임베딩의 기초 표본으로 사용하고, 이미지당 K개의 패치를 얻은 뒤 PFS로 매핑한다. Patch 수는 W에 의해 결정되며, K는 이미지 해상도와 패치 크기에 좌우된다.

주요 벤치마크에서 우수한 성능을 달성한다. 예: ImageNet에서 MD MF는 다양한 발진기(Diffusion, GAN, AR)에서 뛰어난 AUROC/AP를 기록했다. 예시로 q=100 JPEG에서 MD MF AUROC=95.65, AP=97.07 등으로 보고된다. 또한 OpenSora 사례에서도 강건한 탐지를 보였다.

단락1: Patch Tokenization 및 PFS 정의. x ∈ R^(H×W×C)에서 E(x) = {ei(x)}^K_i=1를 이용해 K개의 patch embedding을 얻고, zi(x) = ϕθ(ei(x)) ∈ R^d로 매핑한다. 단락2: MMD 정의 및 학습. S_P = {x_i} ∼ P, S_Q = {y_j} ∼ Q에 대해 MMD^2_u(S_P,S_Q;k_ω) = 1/(N(N-1)) Σ Hij로 정의하고, k_ω는 Gaussian 커널. J_λ(ω) = MMD^2_u / sqrt(σ^2_H1) + λ를 최대화하도록 ω를 학습한다. 단락3: 검출 프로토콜. S_ref(real)에서 Zθ를 구성하고, 테스트 샘플 ỹ에 대해 SMDMF(ỹ) = MMD^2_b(S_ref, {ỹ}; k_ω*)를 계산한 뒤 임계 τ를 넘으면 Generated으로 판단한다. 단락4: 이론적 근거. Propositions 2.4–2.6, Theorem 2.7은 PFS가 국지적 Defect를 증폭하고, finite-sample에서의 MMD 분리 및 탐지 성능 보장을 제공함을 보여준다. 단락5: 구현/학습 세부사항. ViT-L/14 기반의 DINOv2 파생 백본, PFS 차원 d, 패치 크기 W=32, 학습 25에폭, AdamW 최적화, γ 및 θ를 함께 최적화한다.

Limitations 포함: 레퍼런스(real) 세트 의존성으로 test-time에서 실제 이미지 레퍼런스가 필요하다. 또한 고도화된 공격이나 극단적 도메인 시나리오에서 성능 저하가 발생할 수 있으며, 패치 수(K)의 최적값은 finite-sample 및 defect strength에 따라 달라진다. JPEG/블러/노이즈 같은 강한 후처리의 경우 모든 탐지기가 약화될 수 있다.