기존의 딥페이크 탐지 방법은 정적인 라벨링된 데이터셋에 의존하지만, 생성 모델의 확산으로 인해 출처를 알 수 없는 대량의 라벨링되지 않은 가짜 얼굴 데이터가 실제 환경에 쏟아지고 있다. 이러한 상황에서 기존 데이터에만 의존하는 탐지기는 일반화 실패에 직면하며, 높은 현실성으로 인해 새로운 데이터에 대한 수동 라벨링은 불가능하다. 더욱이, 실제 얼굴과 가짜 얼굴은 동일한 의미론을 공유하여 기존의 비지도 학습 전략의 성능을 저하시킨다. 따라서, 이 논문은 이러한 라벨링되지 않은 데이터를 효과적으로 활용하기 위해 설계된 새로운 패러다임, 즉 이중 경로 유도 네트워크 (DPGNet)를 제안한다. DPGNet은 서로 다른 생성 모델에 의해 생성된 얼굴 간의 도메인 차이를 연결하고, 라벨링되지 않은 이미지 샘플을 활용하기 위해 텍스트 기반 교차 도메인 정렬 및 커리큘럼 기반 의사 레이블 생성을 핵심 모듈로 사용한다. 여러 데이터셋에 대한 실험을 통해 DPGNet이 기존 기술보다 우수한 성능을 보임을 입증했다.
