본 논문은 비전 생성 모델의 급속한 발전에 따라 중요성이 커진 AI 생성 이미지 탐지를 위한 훈련 없는 접근 방식을 연구합니다. 특정 데이터 세트에 맞춘 탐지기를 훈련하는 대신, 사전 데이터 지식 없이 자기 지도 학습 모델을 활용합니다. RandomResizedCrop과 같은 증강 기법으로 사전 훈련된 이러한 모델은 다양한 해상도에서 일관된 표현을 생성하도록 학습됩니다. 이를 바탕으로, 본 연구는 자기 지도 학습 모델을 기반으로 하는 훈련 없는 AI 생성 이미지 탐지 알고리즘인 WaRPAD를 제안합니다. WaRPAD는 Haar 웨이블릿 분해를 통해 추출된 고주파 방향을 따라 이미지 임베딩의 섭동에 대한 민감도를 정량화하는 기본 점수 함수를 정의합니다. 크롭 증강에 대한 견고성을 시뮬레이션하기 위해, 각 이미지를 모델의 입력 크기의 배수로 재조정하고, 작은 패치로 나누어 각 패치에 대한 기본 점수를 계산합니다. 최종 탐지 점수는 모든 패치에 대한 점수를 평균하여 얻습니다. WaRPAD는 다양한 해상도와 도메인의 실제 데이터 세트와 23개의 서로 다른 생성 모델로 생성된 이미지에 대해 검증되었습니다. 제안된 방법은 일관되게 경쟁력 있는 성능을 달성하고 테스트 시간 손상에 대한 강력한 견고성을 보여줍니다. 또한, RandomResizedCrop에 대한 불변성이 자기 지도 학습 모델에서 공통적인 훈련 방식이므로, WaRPAD가 여러 자기 지도 학습 모델에 적용 가능하다는 것을 보여줍니다.
