기존의 스플라이싱 위조 데이터셋은 스플라이싱된 영역의 의미적 다양성이 부족하여 훈련된 탐지 모델이 실제 스플라이싱 흔적을 학습하기보다는 의미적 특징에 과적합되는 경향이 있다. 또한, 합리적인 벤치마크 데이터셋의 부재로 인해 기존 탐지 방법 간에 일관되지 않은 실험 설정이 발생한다. 이러한 문제를 해결하기 위해, 저자들은 수동으로 제작된 대규모, 고품질 스플라이싱 데이터셋인 GreatSplicing을 제안한다. GreatSplicing은 5,000개의 스플라이싱된 이미지로 구성되며, 335개의 서로 다른 의미적 범주에 걸쳐 스플라이싱된 영역을 포함하여 탐지 모델이 스플라이싱 흔적을 보다 효과적으로 학습할 수 있도록 한다. 실험 결과, GreatSplicing으로 훈련된 탐지 모델은 기존 데이터셋에 비해 낮은 오인율과 더 강력한 교차 데이터셋 일반화 성능을 달성했다. GreatSplicing은 연구 목적으로 공개적으로 사용 가능하다.
시사점, 한계점
•
시사점:
◦
스플라이싱 탐지 모델의 성능 향상을 위한 대규모, 고품질 데이터셋 제공.
◦
의미적 다양성을 증가시켜 모델이 의미적 특징에 과적합되는 문제 해결.
◦
교차 데이터셋 일반화 성능 향상.
◦
연구 커뮤니티에 공개적으로 접근 가능한 데이터셋 제공.
•
한계점:
◦
논문 자체에서 한계점이 명시되지 않음. (데이터셋 제작 과정, 모델 성능 한계 등에 대한 논의가 필요할 수 있음)
