본 논문은 기존 딥페이크 탐지 방법의 한계점인 레이블링된 데이터 의존성을 해결하기 위해, 대규모 비표시 데이터를 활용하는 Dual-Path Guidance Network (DPGNet)을 제안합니다. DPGNet은 서로 다른 생성 모델의 얼굴 이미지 간 도메인 격차를 해소하고, 비표시 이미지 샘플을 활용하는 두 가지 핵심 모듈로 구성됩니다. 첫 번째 모듈인 text-guided cross-domain alignment는 학습 가능한 프롬프트를 사용하여 시각적 및 텍스트적 임베딩을 도메인 불변 특징 공간으로 통합하고, 두 번째 모듈인 curriculum-driven pseudo label generation은 정보가 풍부한 비표시 샘플을 동적으로 활용합니다. 또한, 도메인 간 지식 증류를 통해 망각 문제를 방지합니다. 11개의 데이터셋에서의 실험 결과, DPGNet은 기존 최고 성능(SoTA) 방법보다 6.3% 향상된 성능을 보였습니다. 이는 점점 더 사실적으로 발전하는 딥페이크의 어노테이션 문제 해결에 비표시 데이터를 활용하는 DPGNet의 효과를 보여줍니다.
