초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

딥러닝 생성 모델의 연구가 빠르게 발전함에 따라 공격자가 영상의 얼굴 영역을 조작하여 신원을 변경하거나 얼굴 속성을 수정하는 등 새로운 영상을 생성할 수 있는 딥페이크 기술이 빠르게 발전하고 있다. 제작된 딥페이크 영상은 사실적인 얼굴을 합성하는데 우수한 성능을 보여주고 수많은 데이터가 존재하여 사람이 영상의 조작 여부를 구별하는 것은 불가능하다. 또한 딥페이크 영상은 악의적인 목적으로 악용될 수 있어 우리 사회에 심각한 문제를 야기할 수 있다. 이를 해결하기 위해, 딥페이크 탐지 기법의 연구가 활발히 진행되고 있고 탐지 기법의 학습 및 테스트에 활용되는 딥페이크 ...

딥러닝 생성 모델의 연구가 빠르게 발전함에 따라 공격자가 영상의 얼굴 영역을 조작하여 신원을 변경하거나 얼굴 속성을 수정하는 등 새로운 영상을 생성할 수 있는 딥페이크 기술이 빠르게 발전하고 있다. 제작된 딥페이크 영상은 사실적인 얼굴을 합성하는데 우수한 성능을 보여주고 수많은 데이터가 존재하여 사람이 영상의 조작 여부를 구별하는 것은 불가능하다. 또한 딥페이크 영상은 악의적인 목적으로 악용될 수 있어 우리 사회에 심각한 문제를 야기할 수 있다. 이를 해결하기 위해, 딥페이크 탐지 기법의 연구가 활발히 진행되고 있고 탐지 기법의 학습 및 테스트에 활용되는 딥페이크 데이터셋 또한 연구가 되고 있다. 하지만 딥페이크 데이터셋에는 성능 평가로 사용되기 어려운 매우 낮은 품질의 딥페이크 영상이 존재하여 딥페이크 탐지 성능 결과에 신뢰도가 떨어지며 현실에서의 고품질의 딥페이크 영상이 입력된다면 낮은 성능이 도출될 수 있다.
본 논문에서는 기존 딥페이크 탐지 모델에서 사용한 딥페이크 데이터셋과 성능 평가 지표에 대한 분석을 진행하고 여러 딥페이크 데이터셋의 영상이 합성의 품질 평가를 수행한다. 평가된 영상별 딥페이크 탐지기의 성능을 분석하여 딥페이크 데이터셋 품질에 따른 딥페이크 탐지기 성능의 상관성을 분석한다.

주제어