딥페이크 대응을 위한 생성기 입력 교란 전략: 적대적 섭동 방식별 생성 품질 저하 비교
Disrupting Deepfakes via Generator-Input Adversarial Perturbations: A Comparative Study of Output-Quality Degradation
- 발행
- 2025 등록KCI API에는 발행일 항목이 없어 원문 등록일을 쓰고 있습니다. 실측으로 발행보다 최대 6년 늦습니다 — 재수집하면 발행연월로 바뀝니다.
- 소속·발행
- 게이오대학교 인문사회학과
- 출처
- 국내 KCI
- DOI
- 10.5762/KAIS.2025.26.11.838
- 원문
- 원문 보기 ↗
개념
키워드
Deepfake Disruption, Adversarial Attack, Generative Adversarial Network, Image Quality, Degradation Metrics, Proactive Disruption, Deepfake Disruption, Adversarial Attack, Generative Adversarial Network, Image Quality, Degradation Metrics, Proactive Disruption
초록
본 연구는 Generative Adversarial Network(GAN) 기반 딥페이크 생성 과정의 입력 단계에 적대적 섭동을주입하여 생성 품질을 사전에 저하시킴으로써 악용 가능성을 억제하는 생성 방해 전략을 제안한다. 기존 연구가 탐지단계에 집중된 한계를 보완하고, 생성 과정 자체를 제어함으로써 신뢰성 있는 생성 환경 구축을 목표로 한다. StarGAN 을 대상으로 Fast Gradient Sign Method(FGSM), Basic Iterative Method(BIM), Momentum Iterative FGSM(MI-FGSM), Diverse Input FGSM(DI-FGSM), Universal Adversarial Perturbation(UAP) 등 다섯 가지 섭동기법을 동일 조건에서 적용하였으며, CelebA 데이터셋을 사용해 Fréchet Inception Distance(FID), Peak Signal-to-Noise Ratio(PSNR), Structural Similarity Index Measure(SSIM), Learned Perceptual Image Patch Similarity(LPIPS), Identity Similarity(ID-Sim) 등 다중 지표로 정량 평가하였다. 실험 결과, FGSM과 BIM은 제한적효과(PSNR≈17dB, SSIM≈0.70)를 보였고, MI-FGSM과 DI-FGSM은 분포 교란을 심화시켰다(FID 28–31, ID-Sim≈ 0.62). UAP는 PSNR 11.72dB, SSIM 0.414, FID 122.35, ID-Sim 0.321로 가장 심각한 품질 저하를 유발하였다. 본 연구는 공격 기법의 구조적 특성이 생성기의 취약성에 미치는 영향을 실증적으로 규명하였으며, 향후 diffusion 및멀티모달 생성기로의 확장을 통해 보안 대응 연구의 기초를 제공한다.