DECODE: 지속적인 AI 생성 이미지 검출에서 표현 및 의사 결정 성능 저하 문제 해결

DECODE: Tackling Representation and Decision Degradation in Continual AI-Generated Image Detection

생성 모델이 계속 발전함에 따라, AI 생성 이미지 검출기는 새로운 생성 영역에 적응하면서 동시에 이전에 학습한 내용을 유지해야 합니다. 이러한 지속적 학습 환경은 특히 어렵습니다. 왜냐하면 법의학적 증거는 종종 미묘하고 생성기(generator)별로 다르기 때문에, 검출기가 치명적인 망각 현상에 매우 취약하기 때문입니다. 기존 방법들은 주로 특징 표현을 안정화하여 이 문제를 해결하려고 시도하며, 여기서 망각은 표현 수준의 문제로 간주됩니다. 본 논문에서는 이러한 관점이 불완전함을 보여줍니다. 특징 표현이 여전히 차별적인 상태에서도, 분류 헤드(classification head)가 새로운 영역에서 지속적으로 최적화됨에 따라 의사 결정 경계가 점진적으로 이동할 수 있음을 입증합니다. 이 두 가지 효과는 함께 작용하여 '이중 성능 저하(Dual Degradation)'라는 복합적인 실패 모드를 야기합니다. 이러한 문제를 해결하기 위해, 우리는 표현 및 의사 결정 수준에서의 망각을 동시에 완화하는 분리된 지속적 검출 프레임워크인 DECODE를 제안합니다. 구체적으로, 우리는 다양한 법의학적 표현을 유지하기 위한 서브스페이스 다양성 정규화(Subspace Diversity Regularization, SDR)와 각 어댑터 병합 후 수동 하이퍼파라미터 튜닝 없이 공유된 분류 헤드를 재조정하기 위한 폐쇄형 의사 결정 정렬(Closed-Form Decision Alignment, CDA)을 도입합니다. 19개의 생성 영역에 대한 광범위한 실험 결과는 DECODE가 평균 정확도 99.36%를 달성하고 망각률이 0.39%에 불과하며, 또한 11개의 새로운 생성기에 대해 95.36%의 정확도로 일반화 성능을 보여주었음을 나타냅니다.

As generative models continue to evolve, AI-generated image detectors must incrementally adapt to emerging generative domains while preserving knowledge acquired from previous ones. This continual learning setting is particularly challenging because forensic traces are often subtle and generator-specific, making detectors highly vulnerable to catastrophic forgetting. Existing methods primarily address this problem by stabilizing feature representations, implicitly treating forgetting as a representation-level issue. In this paper, we show that this perspective is incomplete. We demonstrate that even when feature representations remain discriminative, the decision boundary can progressively drift as the classification head is continually optimized on new domains. These two effects jointly give rise to a compound failure mode, termed Dual Degradation. To overcome this challenge, we propose DECODE, a decoupled continual detection framework that jointly mitigates representation- and decision-level forgetting. Specifically, we introduce Subspace Diversity Regularization (SDR) to preserve diverse forensic representations and Closed-Form Decision Alignment (CDA) to recalibrate the shared classification head after each adapter merge without manual hyperparameter tuning. Extensive experiments on 19 generative domains show that DECODE achieves an average accuracy of 99.36% with only 0.39% forgetting, while further generalizing to 11 unseen generators with 95.36% accuracy.