DeiTFake: 다단계 훈련 딥페이크 탐지
딥페이크는 디지털 미디어의 신뢰성을 심각하게 위협하는 주요 문제로 부상하고 있습니다. 본 연구는 이러한 위협에 대응하기 위해 DeiT 기반 트랜스포머 모델인 DeiTFake와 점진적 증강 복잡도를 활용하는 2단계 훈련 전략을 제안합니다. 제안하는 방법론은 표준 증강을 적용한 전이 학습 단계로 시작하며, 이후 고급 아핀 및 색상 기반 증강을 사용한 미세 조정 단계를 거칩니다. DeiT 모델의 사전 학습된 가중치를 활용하여 조작 흔적 학습을 위한 강력한 초기화를 제공함으로써 탐지 모델의 견고성을 크게 향상시킵니다. OpenForensics 데이터셋(190,335개 이미지)에서 파생된 얼굴 크롭 데이터셋으로 훈련된 DeiTFake는 1단계에서 98.71%의 정확도를 달성했으며, 2단계에서는 99.22%의 정확도와 99.97%의 AUROC(곡선하면적)를 기록했습니다. 이는 동일한 얼굴 수준 평가 설정에서 매우 우수한 성능을 보여줍니다. 본 연구는 증강 기법과 훈련 스케줄의 영향을 분석하고, 얼굴 딥페이크 탐지를 위한 실용적인 벤치마크를 제공합니다. 이를 통해 기존 모델 대비 우수한 딥페이크 탐지 성능을 입증하며, 디지털 미디어 보안 강화에 기여할 수 있습니다.