GAN 이미지 위조 추적을 위한 지문 학습 및 분석

초록

본 논문은 GAN이 생성한 이미지에 남는 고유한 “지문”(fingerprint)을 학습하여, 이미지가 실제인지 혹은 어느 GAN 모델에서 생성되었는지를 정확히 구분하는 방법을 제시한다. 모델‑지문과 이미지‑지문을 동시에 학습하고, 다양한 주파수 대역·패치 크기·공격 상황에서도 지속성을 보이며, 미세한 학습 차이까지도 구별 가능한 정밀한 인증 체계를 구축한다. 실험 결과, 기존 인셉션 기반 특징이나 기존 포렌식 기법보다 월등히 높은 정확도를 달성한다.

상세 분석

이 연구는 GAN 기반 이미지 위조 탐지와 저작권 보호라는 두 가지 핵심 문제를 동시에 해결하고자 한다. 기존 디지털 워터마킹이나 장치‑지문 방식은 GAN 이미지에 직접 적용하기 어렵고, 기존 포렌식 기법은 특정 GAN 아키텍처에만 의존하는 한계가 있었다. 논문은 이러한 한계를 극복하기 위해 “GAN 지문”이라는 개념을 도입한다. 여기서 모델‑지문은 특정 GAN 인스턴스(아키텍처·학습 데이터·초기화 시드 등)의 고유한 파라미터 집합을 의미하고, 이미지‑지문은 해당 모델이 생성한 이미지에 내재된 반복적인 패턴을 벡터 형태로 추출한다.

학습 프레임워크는 두 단계로 구성된다. 첫 번째는 전통적인 이미지‑소스 분류를 수행하는 딥 CNN(최종 1×1×512 피처)이며, 여기서 피처 자체가 이미지‑지문 역할을 한다. 두 번째는 최종 완전 연결 층의 가중치(1×1×512) 를 각 GAN 모델에 대응하는 모델‑지문으로 해석한다. 이렇게 하면 동일한 임베딩 공간에서 실제 이미지와 다양한 GAN 이미지 간의 구분이 가능해진다.

주파수와 패치 분석을 위해 네 가지 변형 네트워크를 설계했다. (1) 사전 다운샘플링 네트워크는 저주파 성분만을 남겨 지문의 존재 여부를 검증하고, (2) 사전 다운샘플링 잔차 네트워크는 라플라시안 피라미드와 유사하게 고주파 잔차를 추출한다. (3) 사후 풀링 네트워크는 다양한 패치 크기에서 로컬 통계가 지문에 기여하는 정도를 측정한다. 실험 결과, 저·고주파 모두에서 의미 있는 구분 성능이 유지되며, 특히 8×8 이하의 저해상도에서도 90% 이상 정확도를 기록했다. 이는 지문이 특정 시각적 아티팩트에 의존하지 않고, GAN 내부의 학습 과정에서 발생하는 미세한 통계적 특성을 반영한다는 것을 의미한다.

또한, 이미지에 가해지는 다섯 가지 일반적인 공격(노이즈, 블러, JPEG 압축, 크롭, 조명 변화)과 이들의 임의 조합에 대해 강인성을 평가했다. 기본 모델은 공격에 따라 정확도가 30%까지 떨어지는 반면, 공격‑특화 파인튜닝을 수행하면 대부분의 경우 80% 이상 회복한다. 이는 지문 자체가 변형에 강인하도록 재학습될 수 있음을 보여준다.

시각화 측면에서는 기존 PRNU 기반 손핸드 방식 대신, 자동인코더와 상관 기반 손실을 결합한 구조를 제안한다. 입력 이미지를 복원하고, 복원 잔차를 이미지‑지문으로 정의한다. 모델‑지문은 학습 가능한 파라미터로 유지되며, 두 지문 간 상관계수를 소프트맥스 로그잇으로 사용한다. 결과적으로 각 GAN 모델에 대응하는 시각적 패턴이 명확히 드러나며, 이는 인간이 직접 확인할 수 있는 형태의 “디지털 지문”을 제공한다.

마지막으로, 제안 방법을 인셉션 특징, 기존 포렌식 CNN, 그리고 최근 PRNU‑기반 GAN 지문 기법과 비교했다. 다양한 데이터셋(Face, LSUN, CIFAR‑10)과 다중 GAN(ProGAN, SNGAN, CramerGAN, MMDGAN) 조합에서 평균 12%~18% 높은 정확도를 기록했으며, 특히 미세한 학습 차이(시드 변동)까지도 95% 이상의 구분률을 보였다. 이는 GAN 지문이 모델 고유의 미세 파라미터 변동까지 포착할 수 있음을 입증한다.

전반적으로 이 논문은 GAN 이미지에 내재된 통계적 특성을 학습‑시각화함으로써, 포렌식 검증, 저작권 보호, 그리고 악의적 GAN 서비스 식별에 실용적인 솔루션을 제공한다.