Decoupling Semantics and Fingerprints: A Universal Representation for AI-Generated Image Detection

Detecting AI-generated images across unseen architectures remains challenging, as existing models often overfit to generator-specific fingerprints and semantic content rather than learning universal forgery traces. We attribute this failure to feature entanglement: detectors learn these factors as a single entangled representation, where universal forgery traces are inextricably confounded with both generator-specific fingerprints and semantic content. Crucially, our spectral analysis reveals that this entanglement is avoidable: distinct generator-specific fingerprints (e.g., GAN stripes vs. Diffusion Model spots) occupy disjoint frequency subspaces and coexist as independent superpositions. Leveraging this physical orthogonality, we propose the Orthogonal Decomposition and Purification Network (ODP-Net) to structurally disentangle these factors. Specifically, ODP-Net employs (1) Instance-aware Orthogonal Decomposition to project features into mutually exclusive subspaces: universal forgery traces, generator-specific fingerprints, and semantic content; (2) Perturbation-based Purification to enforce semantic invariance via cross-sample feature injection; and (3) Manifold Alignment to bridge domain gaps. By explicitly decoupling universal forgery traces from generator-specific fingerprints and semantic content, ODP-Net achieves state-of-the-art performance on unseen architectures (e.g., Stable Diffusion 3), validating that structural disentanglement is key to generalization.

📋 한 줄 요약

**[AI 생성 이미지 탐지/컴퓨터 비전]** 생성기 지문(fingerprint)·의미 내용·보편적 위조 흔적이 얽힌 표현을 직교 분해해, 보지 못한 생성기에서도 일반화되는 AI 생성 이미지 탐지기 ODP-Net 제안.

🎯 핵심 기여도

기존 탐지기의 일반화 실패 원인을 "특성 얽힘(feature entanglement)"으로 진단
스펙트럼 분석으로 GAN·확산 모델 지문이 서로소(disjoint) 주파수 부공간에 존재함을 입증
보편적 위조 흔적·생성기 지문·의미 내용을 분리하는 Orthogonal Decomposition and Purification Network(ODP-Net) 제안
Stable Diffusion 3 등 보지 못한 아키텍처에서 SOTA 성능 달성

💡 핵심 아이디어

서로 다른 생성기의 지문은 물리적으로 직교한 주파수 부공간을 점유하므로, 표현 공간에서도 직교적으로 분해 가능하다. 분해 후 보편적 위조 흔적만을 의미·지문 정보로부터 정화해 분류에 사용하면 미지 생성기에도 강건한 탐지가 가능하다.

🔬 기술적 접근법

**모델/방법론**: ODP-Net — 입력 이미지의 특성을 세 개의 상호 배타적 부공간(보편적 위조 흔적, 생성기 지문, 의미 내용)으로 분해
**핵심 기법**: (1) Instance-aware Orthogonal Decomposition — 인스턴스 적응형 직교 투영, (2) Perturbation-based Purification — 교차 샘플 특성 주입으로 의미 불변성 강제, (3) Manifold Alignment — 생성기 도메인 간 격차 완화

📊 주요 결과

보지 못한 생성기(Stable Diffusion 3 등)에 대해 SOTA 탐지 성능
스펙트럼 분석으로 GAN(줄무늬)·확산(점) 지문의 주파수 직교성 확인
구조적 disentanglement이 일반화에 결정적임을 정량/정성 모두로 검증

💭 의의 및 한계

**의의**: AI 생성 이미지 탐지에서 "오버피팅 회피"라는 추상 목표를 물리적·구조적 원리로 환원해 해결한 연구로, 신규 생성 모델에 대한 대응 속도를 본질적으로 개선할 수 있다. **한계**: 후처리(JPEG, 블러, 적대적 변형 등)에 대한 강건성, 실제 SNS 환경의 압축·리사이즈 파이프라인에서의 성능은 추가 검증 필요.

🚀 실용적 활용

콘텐츠 플랫폼의 deepfake/AI 생성물 자동 탐지
뉴스·증거 자료의 진위 검증 파이프라인
향후 등장하는 신규 생성기에 대한 zero-day 대응 탐지 모듈