텍스트-이미지 (text-to-image, T2I) 모델의 급격한 발전은 강건한 합성 이미지 출처 식별 (Synthetic Image Source Attribution, SIA) 방법론을 필요로 하게 만들었습니다. SIA의 핵심 과제는 깨끗한 학습 이미지와 JPEG 압축 및 블러링 (blurring)과 같은 미지의 후처리 연산을 거치는 실제 배포 이미지 사이의 분포 변화 (distribution shift)입니다. ICANN 2026의 DLMMDD 챌린지를 위해 제안된 본 연구에서는 의미론적 딥러닝 (Semantic Deep Learning)과 수학적 포렌식 특징 추출 (Mathematical Forensic Feature Extraction)을 결합한 이중 분기 앙상블 프레임워크를 소개합니다. 의미론적 분기(semantic branch)는 지수 이동 평균 (Exponential Moving Averaging, EMA) 및 레이블 스무딩 (Label Smoothing)으로 정규화된 EfficientNet-B0를 사용합니다. 포렌식 분기(forensic branch)는 고주파 노이즈 잔차 (high-pass noise residuals)로부터 SVD 스펙트럼 프로파일 (SVD spectral profiles) 및 국부 이진 패턴 (Local Binary Patterns)을 포함한 126개의 수학적 특징을 추출하며, 이는 절단된 SVD (Truncated SVD)를 통해 압축된 후 XGBoost로 분류됩니다. 테스트 세트의 55%가 저하된 10개의 생성기 데이터셋을 통해 평가했을 때, 우리의 접근 방식은 95.60%의 프라이빗 리더보드 정확도를 달성했습니다. 또한, 전체 파이프라인은 계산 효율성이 매우 높아 GPU 가속이 필요하지 않으며, 표준 CPU에서 6.5시간 이내에 엔드-투-엔드 (end-to-end)로 실행되어 실제 배포를 위한 수학적 포렌식의 실용성과 확장성을 강조합니다.