생성 모델(GAN, DM)의 발전으로 현실적인 합성 이미지가 생성되면서 디지털 미디어의 진위 여부에 대한 문제가 제기됨. 기존의 디지털 포렌식 기술은 특히 GAN에서 DM과 같이 다른 아키텍처로의 전환 시 일반화에 실패하는 취약점을 보임. 본 연구는 GAN과 DM의 서로 다른 최적화 목표가 다른 매니폴드 커버리지(manifold coverage) 동작을 유발한다는 점에 주목하여, GAN은 부분적인 커버리지를 허용하여 경계 아티팩트를 생성하고 DM은 완전한 커버리지를 강제하여 과도한 스무딩 패턴을 생성한다고 분석함. 이러한 분석을 바탕으로, "가짜" 클래스 내에서 잠재적인 아키텍처 패턴을 발견하는 반지도 학습 방식의 TriDetect를 제안함. TriDetect는 Sinkhorn-Knopp 알고리즘을 통한 균형 클러스터 할당과 교차 뷰 일관성 메커니즘을 사용하여 근본적인 아키텍처적 특징을 학습하도록 유도함. 제안하는 방법론은 2개의 표준 벤치마크와 3개의 실제 데이터셋에서 13개의 기준선과 비교하여 보이지 않는 생성자에 대한 일반화 능력을 평가함.
