본 논문은 실제 환경에서 심층 위변조(Deepfake, DF) 탐지기의 성능 저하 문제를 해결하기 위해, 소스 학습 데이터나 라벨 접근 없이 추론 중 탐지기의 적응력을 향상시키는 새로운 온라인 테스트 시간 적응(Test-time Adaptation, TTA) 방법인 Think Twice before Adaptation (T²A)를 제안합니다. 기존의 엔트로피 최소화(EM) 기반 접근 방식과 달리, 불확실성 인식 음성 학습 목표를 통해 모델이 대안을 탐색하도록 함으로써, 후처리 조작이나 분포 변화로 인한 훈련 데이터와의 차이에도 강인한 성능을 보입니다. 또한, 중요한 샘플과 모델 파라미터에 집중하여 적응을 개선하기 위해 불확실한 샘플 우선 순위 전략과 기울기 마스킹 기법을 도입합니다. 이론적 분석과 실험적 결과를 통해 T²A가 기존 TTA 접근 방식에 비해 최첨단 성능을 달성하고, DF 탐지기의 탄력성과 일반화 능력을 크게 향상시킨다는 것을 보여줍니다.
