본 논문은 심층 합성 미디어(DeepFake) 생성의 기술적 진입 장벽이 낮아짐에 따라 발생하는 정보의 진실성 위협에 대응하여, 기존의 이진 분류 기반 DeepFake 탐지 모델의 한계를 극복하고자 다양한 조작 기법을 구분하는 DeepFake 속성 규명 모델을 연구합니다. 다섯 가지 최첨단 백본 모델을 사용하여 여섯 개의 DeepFake 데이터셋에 대한 광범위한 실험을 통해 이진 분류 모델과 다중 클래스 모델의 상호 데이터셋 일반화 성능을 비교하고, 속성 규명 모델의 정확도와 대조 학습 방법의 효과를 평가합니다. 연구 결과, 이진 모델이 더 나은 일반화 성능을 보이지만, 대규모 모델, 대조 학습 방법 및 고품질 데이터는 속성 규명 모델의 성능 향상에 기여함을 밝힙니다. GitHub에 코드를 공개합니다.
