이미지 생성 기술 발전으로 위조 이미지 탐지가 중요해짐에 따라, 사전 훈련된 모델의 학습된 의미론적 개념이 가짜 이미지 식별에 중요하지만, 위조와 의미론적 개념 공간의 불일치가 탐지 성능을 저해한다는 문제점을 해결하고자 함. 이를 위해 미세한 시각적 수준에서 두 공간을 정렬하기 위한 재구성 학습을 활용하는 Semantic Discrepancy-aware Detector (SDD)를 제안함. SDD는 사전 훈련된 비전 언어 모델에 내장된 개념적 지식을 활용하여, 위조 흔적과 의미론적 개념 모두와 관련 없는 특징으로 인한 공간 이동을 완화하는 의미론적 토큰 샘플링 모듈을 설계하고, 시각적 재구성 패러다임을 기반으로 한 개념 수준 위조 불일치 학습 모듈을 통해 시각적 의미론적 개념과 위조 흔적 간의 상호 작용을 강화하여 개념의 안내에 따라 불일치를 효과적으로 포착함. 또한, 저수준 위조 특징 향상을 통해 학습된 개념 수준 위조 불일치를 통합하여 불필요한 위조 정보를 최소화함. 두 개의 표준 이미지 위조 데이터 세트에 대한 실험 결과, SDD가 기존 방법보다 우수한 결과를 달성했음을 입증함.
