$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

데이터 기반 딥페이크 탐지기법에 관한 최신 기술 동향 조사 원문보기

情報保護學會誌 = KIISC review, v.30 no.5, 2020년, pp.79 - 92  

김정호 (성균관대학교 수학과) ,  안재주 (을지대학교 의료IT마케팅학과) ,  양보성 (아주대학교 사이버보안학과) ,  정주연 (숙명여자대학교 컴퓨터과학과) ,  우사이먼성일 (성균관대학교 데이터사이언스융합학과)

초록
AI-Helper 아이콘AI-Helper

최근 전 세계적으로 '가짜뉴스', '가짜 연예인 음란 동영상' 및 '지인 능욕'에 사용되는 인공지능 기반의 딥페이크(Deepfakes)기술이 사회적인 이슈로 대두되고 있다. 딥페이크 기술이란 딥러닝 기술을 이용해 악의적으로 조작된 음성, 영상, 이미지 등을 만들어 내는 방법으로, 인공지능 기술의 발전에 맞추어 더욱더 빠르고 정교한 생성 기술이 등장하고 있다. 이러한 딥페이크 기술은 빠른 개발 속도와 쉬운 접근성을 기반으로 다양한 범죄에 악용되고 있다. 본 논문에서는 다양한 딥페이크 생성 기술을 설명하고, 이를 효율적으로 탐지 할 수 있는 다양한 데이터 기반 딥페이크 탐지 기술의 현황을 설명한다.

질의응답

핵심어 질문 논문에서 추출한 답변
딥페이크 악용 기술이란? 딥페이크라는 용어는 2017년 미국의 소셜네트워크 플랫폼 레딧에서 ‘Deepfakes’라는 아이디를 가진 회원이 유명 배우의 얼굴로 조작된 가짜 음란 동영상을 올리면서 사용되기 시작하였다[6]. 이처럼 딥페이크 악용 기술이란 GAN(Generative Adversarial Network)이나 오토인코더(Autoencoder) 등의 딥러닝 기술을 이용해 나쁜 의도를 가지고 조작된 음성, 영상, 이미지 등을 만들어 내는 방법을 말한다. 딥페이크 악용 기술은 인공지능 기술의 발전에 기생하여 더 빠르고 정교한 방법으로 변화하고 있으며, 특히 다음과 같은 문제점들이 있다.
딥페이크 악용 기술의 문제점은? 딥페이크 악용 기술은 인공지능 기술의 발전에 기생하여 더 빠르고 정교한 방법으로 변화하고 있으며, 특히 다음과 같은 문제점들이 있다. 첫째로는 딥페이크 기술의 긍정적인 면에 비하여 부정적인 의도로 악용되는 경우가 압도적으로 높다는 것이다. 의료, 교육 등 여러 분야에서 긍정적으로 사용될 가능성이 있음에도 불구하고, 현재 온라인에 존재하는 딥페이크 영상의 약 96%가 불법 음란 동영상으로 확인되고 있다[7]. 두 번째는 기술이 전문 기술자가 아닌 일반인도 쉽게 사용할 수 있도록 퍼져있다는 점이다. 컴퓨터 및 모바일 애플리케이션은 물론, 딥페이크 영상을 비용을 받고 바로 만들어주는 서비스도 온라인을 통해서 쉽게 접근할 수 있다. 이런 기술의 공개성을 통해 누구나 쉽게 악용할 수 있는 환경이 구성되었다.
딥페이크 기술이란? 최근 전 세계적으로 '가짜뉴스', '가짜 연예인 음란 동영상' 및 '지인 능욕'에 사용되는 인공지능 기반의 딥페이크(Deepfakes)기술이 사회적인 이슈로 대두되고 있다. 딥페이크 기술이란 딥러닝 기술을 이용해 악의적으로 조작된 음성, 영상, 이미지 등을 만들어 내는 방법으로, 인공지능 기술의 발전에 맞추어 더욱더 빠르고 정교한 생성 기술이 등장하고 있다. 이러한 딥페이크 기술은 빠른 개발 속도와 쉬운 접근성을 기반으로 다양한 범죄에 악용되고 있다.
질의응답 정보가 도움이 되었나요?

참고문헌 (36)

  1. Oscar Schwartz, "You thought fake news was bad? Deepfakes are where truth goes to die.", Nov 2018, 2020년 9월 접속, https://www.theguar dian.com/technology/2018/nov/12/deep-fakes-fake-news-truth 

  2. Regina Rini, "Deepfakes Are Coming. We Can No Longer Believe What We See.", June 2019, 2020년 9월 접속 https://www.nytimes.com/2019/06/10/opinion/deepfake-pelosi-video.html 

  3. BBC NEWS, "Deepfake videos could 'spark violent social unrest", June 2019, 2020년 9월 접속, https://www.bbc.com/news/technology-48621452 

  4. Lux Alptraum, "Deepfake Pron Harms Adult Performers, Too.", Jan 2020, 2020년 9월 접속, https://www.wired.com/sto ry/deepfake-porn-harms-adult-performers-too/ 

  5. Alex Moltzau, "What Strategy Does Europe Have to Tackle Deepfakes?", 2020년 9월 접속, https://medium.com/dataseries/what-strategy-does-europe-have-to-tackle-deepfakes-fb159040f0c 

  6. Wikipedia contributors. Deepfake -Wikipedia, the free encyclopedia, 2020. 

  7. RIvan Mehta, "A new study says nearly 96% of deepfake videos are porn.", Oct 2019, 2020년 9월 접속, https://thenextweb.com/apps/2019/10/07/a-new-study-says-nearly-96-of-deepfake-videos-areporn/ 

  8. Rossler, Andreas, Davide Cozzolino, Luisa Verdoliva, Christian Riess, Justus Thies, and Matthias Niessner. "Faceforensics++: Learning to detect manipulated facial images." In Proceedings of the IEEE International Conference on Computer Vision, pp. 1-11. 2019 

  9. Justus Thies, Michael Zollhofer, Marc Stamminger, Christian Theobalt, and Matthias Niessner. Face2Face: Real-Time Face Capture and Reenactment of RGB Videos. In IEEE pages 2387-2395, June 2016 

  10. Faceswap. https://github.com/Marek Kowalski/FaceSwap/. 

  11. Deepfakes https://github.com/deepfakes/faceswap. Accessed: 2018-10-29 

  12. Justus Thies, Michael Zollhofer, and Matthias Nie $\ss$ ner. Deferred neural rendering: Image synthesis using neural textures. ACM Transactions on Graphics 2019 (TOG), 2019 

  13. Phillip Isola, Jun-Yan Zhu, Tinghui Zhou, and Alexei A. Efros. Image-to-image translation with conditional adversarial networks. CVPR, 2017 

  14. Ian Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courvile, and Yoshua Bengio, "Generative adversarial nets", In Advances in neural information processing systems, 27, June 2014. 

  15. Ivan Perov, Daiheng Gao, Nikolay Chervoniy, Kunlin Liu, Sugasa Maranggonda, Chris Ume, Mr. dpfks, carl Shift Facenheim, Luis RP, Jian Jiang, Sheng Zhang, Pingyu Wo, Bo zhou, Weiming Zhang, "DeepFaceLab: A simple, flexible and extensible face swapping framework", Computer Vision and Pattern Recognition, May 2020. 

  16. Deepfakes. Deepfakes. https://github.co m/deepfakes/faceswap, 2017. 

  17. Lingzhi Li, Jianmin Bao, Hao Yang, Dong Chen, Fang Wen, "FaceShifter: Towards High Fidelity And Occlusion Aware Face Swapping", Computer Vision and Pattern Recognition. Dec 2019. 

  18. Olaf Ronneberger, Philipp Fischer, Thomas Brox, "U-Net: Convolutional Networks for Biomedical Image Segmentation", Computer Vision and Pattern Recognition. May 2015. 

  19. Hyeonseong Jeon Youngoh Bang, Junyaup Kim and Simon S.Woo, "T-GD: Transferable GAN-generated Images Detection Framewok", ICML, 2020 

  20. RoyChowdhury, A., Chakrabarty, P., Singh, A., Jin, S., Jiang, H., Cao, L., and Learned-Miller, E. Automatic adaptation of object detectors to new domains using selftraining. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 780-790, 2019. 

  21. Li, X., Grandvalet, Y., and Davoine, F. Explicit inductive bias for transfer learning with convolutional networks. arXiv preprint arXiv:1802.01483, 2018. 

  22. Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1):1929-1958, 2014. 

  23. Huang, G., Sun, Y., Liu, Z., Sedra, D., and Weinberger, K. Q. Deep networks with stochastic depth. In European conference on computer vision, pp. 646-661. Springer, 2016. 

  24. Wang, S.-Y., Wang, O., Zhang, R., Owens, A., and Efros, A. A. Cnn-generated images are surprisingly easy to spot... for now. arXiv preprint arXiv:1912.11035, 2019 

  25. Xuan, X., Peng, B., Wang, W., and Dong, J. On the generalization of gan image forensics. In Chinese Conference on Biometric Recognition, pp. 134-141. Springer, 2019. 

  26. Yun, S., Han, D., Oh, S. J., Chun, S., Choe, J., and Yoo, Y. Cutmix: Regularization strategy to train strong classifiers with localizable features. In Proceedings of the IEEE International Conference on Computer Vision, pp. 6023-6032, 2019. 

  27. Diederik P Kingma and Max Welling. Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114, 2013. 

  28. Wikipedia contributors. Graphical model - Wikipedia, the free encyclopedia, 2020. [Online; accessed 15-February-2020]. 

  29. Wikipedia contributors. Kullback-leibler divergence-Wikipedia, the free encyclopedia, 2020. 

  30. Wikipedia contributors. Monte carlo method - Wikipedia, the free encyclopedia, 2020. [Online; accessed 13-March-2020]. 

  31. Davide Cozzolino, Giovanni Poggi, and Luisa Verdoliva. Recasting residual-based local descriptors as convolutional neural networks: an application to image forgery detection. In ACM Workshop on Information Hiding and Multimedia Security, pages 1-6, 2017 

  32. Belhassen Bayar and Matthew C. Stamm. A deep learning approach to universal image manipulation detection using a new convolutional layer. In ACM Workshop on Information Hiding and Multimedia Security, pages 5-10, 2016 

  33. Nicolas Rahmouni, Vincent Nozick, Junichi Yamagishi, and Isao Echizen. Distinguishing computer graphics from natural images using convolution neural networks. In IEEE Workshop on Information Forensics and Security, pages 1-6, 2017 

  34. Darius Afchar, Vincent Nozick, Junichi Yamagishi, and Isao Echizen. Mesonet: a compact facial video forgery detection network. arXiv preprint arXiv:1809.00888, 2018 

  35. Cozzolino, Davide, Justus Thies, Andreas Rossler, Christian Riess, Matthias Nie $\ss$ ner, and Luisa Verdoliva. "Forensictransfer: Weakly-supervised domain adaptation for forgery detection." arXiv preprint arXiv:1812.02510 (2018) 

  36. Hasam Khalid and Simon S. Woo. OC-FakeDect: Classifying Deepfakes Using One-class Variational Autoencoder. CVPR, 2020 

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로