가짜 이미지 탐지를 위한 딥러닝 모델의 비교 평가

요약

본 연구는 GAN 기반의 정교한 이미지 조작에 대응하기 위해 VGG16, ResNet50, EfficientNetB0, XceptionNet 등 네 가지 CNN 아키텍처의 가짜 이미지 탐지 성능을 비교 평가했습니다. 실험 결과 VGG16이 91%로 가장 높은 정확도를 보였으며, 데이터 불균형과 과적합 문제를 해결하기 위한 데이터 증강 및 공정성 기반 학습의 중요성을 제시했습니다.

핵심 포인트

• VGG16 모델이 91%의 정확도로 네 가지 아키텍처 중 가장 우수한 탐지 성능을 기록함
• EfficientNetB0는 가짜 이미지에 대한 민감도는 높으나 실제 샘플에 대한 신뢰도가 낮아 데이터 불균형에 따른 편향을 보임
• 데이터셋 불균형, 과적합, 해석 가능성 부족이 교차 도메인 강건성을 저해하는 주요 한계점으로 지적됨
• 신뢰할 수 있는 탐지 시스템 구축을 위해 균형 잡힌 데이터셋과 고급 증강 기술, 공정성 고려 학습이 필수적임