CIPHER: 표현 기반 위조 이미지 패턴의 고차원 분석

CIPHER: Counterfeit Image Pattern High-level Examination via Representation

생성적 적대 신경망(GAN) 및 확산 모델의 빠른 발전으로 인해 실제 이미지와 구별하기 점점 더 어려워지는 합성 얼굴 이미지가 생성되고 있습니다. 이러한 발전은 오정보, 사기 및 신원 도용의 위험을 증폭시키고 있으며, 다양한 생성 모델에 대해 안정적인 성능을 유지하는 탐지기의 필요성을 강조합니다. 본 연구에서는 표현 기반 위조 이미지 패턴의 고차원 분석(CIPHER)이라는 딥페이크 탐지 프레임워크를 소개합니다. CIPHER는 이미지 생성을 위해 원래 학습된 판별기를 체계적으로 재사용하고 미세 조정합니다. CIPHER는 ProGAN 판별기에서 추출한 스케일 적응 특징과 확산 모델에서 추출한 시간적 일관성 특징을 사용하여 기존 탐지기가 간과하는 생성 모델에 독립적인 특징을 포착합니다. 최첨단 생성 모델 9개에 대한 광범위한 실험을 통해 CIPHER는 우수한 교차 모델 탐지 성능을 보여주며, 평균적으로 기존 ViT 기반 탐지기보다 F1 점수가 30% 이상 향상된 최대 74.33%의 F1 점수를 달성했습니다. 특히, 우리의 접근 방식은 기존 방법이 실패하는 어려운 데이터 세트에서도 강력한 성능을 유지하며, CIFAKE 데이터 세트에서 최대 88%의 F1 점수를 달성하는 반면, 기존 탐지기는 거의 0%의 성능을 보였습니다. 이러한 결과는 판별기 재사용 및 교차 모델 미세 조정의 효과를 입증하며, CIPHER가 빠르게 진화하는 생성 기술 시대에 보다 일반적이고 강력한 딥페이크 탐지 시스템을 구축하는 데 유망한 접근 방식임을 보여줍니다.

The rapid progress of generative adversarial networks (GANs) and diffusion models has enabled the creation of synthetic faces that are increasingly difficult to distinguish from real images. This progress, however, has also amplified the risks of misinformation, fraud, and identity abuse, underscoring the urgent need for detectors that remain robust across diverse generative models. In this work, we introduce Counterfeit Image Pattern High-level Examination via Representation(CIPHER), a deepfake detection framework that systematically reuses and fine-tunes discriminators originally trained for image generation. By extracting scale-adaptive features from ProGAN discriminators and temporal-consistency features from diffusion models, CIPHER captures generation-agnostic artifacts that conventional detectors often overlook. Through extensive experiments across nine state-of-the-art generative models, CIPHER demonstrates superior cross-model detection performance, achieving up to 74.33% F1-score and outperforming existing ViT-based detectors by over 30% in F1-score on average. Notably, our approach maintains robust performance on challenging datasets where baseline methods fail, with up to 88% F1-score on CIFAKE compared to near-zero performance from conventional detectors. These results validate the effectiveness of discriminator reuse and cross-model fine-tuning, establishing CIPHER as a promising approach toward building more generalizable and robust deepfake detection systems in an era of rapidly evolving generative technologies.