본 논문은 실제 환경에서 배포된 딥페이크(DF) 검출기가 사후 처리 조작이나 분포 변화를 통해 훈련 데이터에서 벗어난 테스트 샘플을 만났을 때 직면하는 상당한 어려움을 다룹니다. 사후 처리 기술이 DF 샘플에 나타나는 생성 아티팩트를 완전히 숨길 수 있음을 보여주고, 이로 인해 DF 검출기의 성능이 저하될 수 있음을 강조합니다. 이러한 문제를 해결하기 위해, 소스 훈련 데이터나 라벨에 접근할 필요 없이 추론 중 검출기의 적응력을 향상시키는 새로운 온라인 테스트 시간 적응 방법인 Think Twice before Adaptation (T²A)를 제안합니다. 핵심 아이디어는 엔트로피 최소화(EM) 기반 접근 방식에서 일반적으로 볼 수 있듯이 초기 예측에만 의존하는 것이 아니라 불확실성 인식 부정적 학습 목표를 통해 모델이 대안을 탐색할 수 있도록 하는 것입니다. 또한 중요한 샘플과 모델 매개변수에 집중하여 적응을 개선하기 위해 불확실한 샘플 우선 순위 전략과 기울기 마스킹 기술을 도입합니다. 이론적 분석을 통해 제안된 부정적 학습 목표가 EM과 상호 보완적인 동작을 보이며 더 나은 적응 능력을 용이하게 함을 보여줍니다. 실험적으로, 제안된 방법은 기존의 테스트 시간 적응(TTA) 접근 방식에 비해 최첨단 결과를 달성하고 추론 중 DF 검출기의 탄력성과 일반화 성능을 크게 향상시킵니다.
