딥페이크 비디오 탐지 시 시간적 공격의 노출 및 완화

Exposing and Mitigating Temporal Attack in Deepfake Video Detection

공간-시간적 딥페이크 탐지기는 높은 AUC 값을 달성하지만, 우리의 실험 결과 이러한 모델들이 회피 공격에 취약하다는 것을 보여줍니다. 이러한 모델들은 견고한 의미적 인과 관계를 학습하기보다는 불안정한 시간적 스펙트럼 특징에 과적합되는 경향이 있습니다. 이러한 취약점을 완화하기 위해, 우리는 의미적 움직임과 조작 가능한 스펙트럼 아티팩트를 명시적으로 분리하도록 설계된 시간적 스펙트럼 불변 방어 프레임워크인 SpInShield를 제안합니다. 우리는 동적으로 심각한 스펙트럼 왜곡을 생성하여 극단적인 공격 시나리오를 시뮬레이션하는 학습 가능한 스펙트럼 적대자를 제안합니다. SpInShield는 단축 경로 억제 최적화 전략을 사용하여 인코더가 신뢰할 수 있는 법의학적 단서를 추출하도록 유도하고, 동시에 잠재 공간에서 불안정한 스펙트럼 통계치를 제거합니다. 실험 결과, SpInShield는 널리 사용되는 데이터셋에서 경쟁력 있는 성능을 보였으며, 시뮬레이션된 진폭 스펙트럼 공격 하에서 가장 강력한 기준 모델보다 AUC에서 21.30% 포인트 더 높은 성능을 달성했습니다.

While spatiotemporal deepfake detectors achieve high AUC, our experiments reveal their susceptibility to evasion attacks. These models tend to overfit on fragile temporal spectrum cues, rather than learning robust semantic causality. To mitigate this vulnerability, we propose SpInShield, a temporal spectral-invariant defense framework explicitly designed to decouple semantic motion from manipulatable spectral artifacts. We propose a learnable spectral adversary that dynamically synthesizes severe spectral deformations, simulating extreme attack scenarios. By employing a shortcut suppression optimization strategy, SpInShield compels the encoder to extract reliable forensic cues while purging unstable spectral statistics from the latent space. Experiments show that SpInShield obtains competitive performance on widely used datasets and outperforms the strongest baseline by 21.30 percentage points in AUC under simulated amplitude spectral attacks.