ViViT-HH-SupCon: 고차원 특징 추출(High-Dimensional Feature Extraction Architecture)과 후킹(Hooking) 기반 생성형 AI 비디오 엔진 식별 연구

Ⅰ. 서 론

Sora, Kling으로 대표되는 생성형 AI 기술은 영상 콘텐츠 제작의 패러다임을 변화시키는 동시에 정교한 위조 영상으로 인한 사회적 혼란을 야기하고 있다. 이에 따라 비디오 포렌식 분야에서는 단순한 진위 여부 판별을 넘어, 영상이 어떠한 생성형 AI 엔진에 의해 제작되었는지를 규명하는 출처 식별(Model Identification) 기술의 중요성이 증가하고 있다.

그러나 기존 연구들은 주로 CNN이나 ViT 기반의 이진 분류에 머물러 있으며, 프레임 단위의 공간 노이즈 분석에 의존하여 미세 아티팩트 손실로 인한 엔진 간 변별력 확보에 한계를 보인다. 본 연구는 생성형 미디어 데이터셋의 성능 비교를 목적으로 하는 벤치마크 평가가 아니라, 생성형 AI 비디오의 출처 식별(Model Identification)을 위한 아키텍처 설계 및 성능 향상에 초점을 둔다. 이를 위해 ViViT 인코더의 중간 계층에서 고차원 특징을 직접 추출하는 후킹(Hooking) 메커니즘을 도입한 ViViT-HH-SupCon 파이프라인을 제안한다. 제안 구조는 정보 압축 이전 단계의 고차원 원시 특징을 보존하고, 이를 지도 대조 학습(SupCon)과 결합하여 엔진 간 결정 경계의 분리도를 향상시킨다.

8개 생성형 AI 엔진을 대상으로 한 실험 결과, 제안 모델은 Macro F1-score 0.9220, 정확도 92.25%를 달성하며 기존 2D 기반 모델 대비 유의미한 성능 향상을 보였다. 또한 다양한 화질 열화 환경에서도 안정적인 식별 성능을 유지함으로써 실제 미디어 유통 환경에서의 적용 가능성을 확인하였다.

Ⅱ. 관련 연구 및 배경 기술

본 장에서는 생성형 AI 비디오 식별을 위한 기술적 토대와 최신 연구 동향을 고찰한다. 먼저 비디오 포렌식 분야에서 위조 영상을 탐지하기 위해 활용되어 온 전통적인 기법들과 딥러닝 기반의 최신 접근법을 검토한다. 이어 본 연구의 핵심 아키텍처인 ViViT와 대조 학습(SupCon)의 원리를 설명하고, 왜 고차원 특징 추출이 정보 유실 방지와 엔진 식별 정확도 향상에 필수적인지 학술적 근거를 바탕으로 논의한다.

Ⅲ. ViViT-HH-SupCon의 고차원 특징 추출 및 후킹 아키텍처 제안

본 장에서는 생성형 AI 비디오 엔진 식별을 위해 제안하는 ViViT-HH-SupCon 모델의 파이프라인 구조와 포렌식 데이터셋 명세를 기술한다. 본 아키텍처는 최종 출력층의 고도 압축 및 추상화 경로를 우회하고, 인코더 내 중간 계층의 고차원 원시 특징(High-Dimensional Raw Features)을 직접 후킹(Hooking)하여 최종 변별 성능을 극대화하도록 설계되었다.

이에 따라 이하의 절에서는 시공간-주파수 통합 전처리 및 아티팩트 분석 입력 설계, ViViT-HH-SupCon의 고차원 특징 추출 및 후킹 매커니즘, ViViT-HH-SupCon의 전체 파이프라인 설계, 모델 구조 및 학습 알고리즘 상세, 그리고 데이터셋 구성 및 평가지표를 순차적으로 기술한다.

2. ViViT-HH-SupCon의 고차원 특징 추출 및 후킹 매커니즘

본 연구에서 제안하는 ViViT-HH-SupCon 모델의 핵심 알고리즘 아키텍처는 [그림 1]과 같다. 제안 구조는 입력 비디오 텐서가 인코더 스택을 통과하며 고도 추상화 및 압축 경로로 내려가기 전, 정보 유실 이전 단계에서 위변조 식별에 필수적인 고주파 성분과 미세 아티팩트(Artifacts)를 포착하도록 설계되었다. 해당 계층에서 후킹된 데이터는 내부 풀링 메커니즘을 거쳐 변조 흔적 분석에 최적화된 3×3 공간 그리드 토큰과 전역 문맥 클래스 토큰([CLK]) 및 보정 토큰을 결합한 총 11개의 유효 토큰 시퀀스(N_hook = 11)로 수렴된다.

Fig. 1.

High-dimensional feature extraction and intermediate layer hooking mechanism in ViViT-HH-SupCon

최종적인 8,704차원의 고차원 특징 벡터(D_hook)는 이 유효 토큰 수와 ViViT-Base의 표준 은닉층 임베딩 차원 수(D_⌂ = 768)의 선형 결합을 기반으로 산출된다. 즉, 11개의 토큰이 평탄화되어 형성된 8,448차원(11×768)의 기본 임베딩에, 8대 생성형 AI 엔진 간의 초평면 경계면 분리도를 극대화하기 위한 256차원의 포렌식 보정 마진(Forensic Bias Margin)이 최종 선형 융합됨으로써 식 (1)과 같이 8,704차원으로 도출된다.

$\[ \begin{array}{c}{D}_{hook }=\left(N_{hook }\times D_{⌂}\right)+ Forensic Bias Margin \\ =(11\times 768)+256=\mathrm{8,704}\end{array} \]$

(1)

여기서 256차원의 포렌식 보정 마진은 대조 학습 과정에서 8대 엔진 고유의 미세 아티팩트 특징 스페이스가 지닌 고유한 분산 구조를 보정하기 위해 다층 퍼셉트론(MLP) 레이어를 통해 역전파(Backpropagation)로 최적화되는 동적 파라미터 공간이다. 256차원이 채택된 공학적 근거는 백본 네트워크의 표준 임베딩 차원(D_⌂ = 768)과의 조화 및 가용 VRAM(8GB) 환경 하에서의 연산 병목 현상을 최소화하기 위한 차원 정렬(Dimension Alignment, 256 = 2⁸)의 구조적 최적화 설계를 고려해 도출되었다.

이렇게 확보된 고차원 포렌식 특징 벡터는 하위 레이어의 압축 경로로 내려가지 않고, 지도 대조 학습(SupCon) 및 분류 최적화 헤드로 즉시 분기되어 전달된다. 기존 연구들이 연산 효율을 위해 저차원 공간으로 과도하게 압축 매핑함으로써 발생시켰던 미세 정보 유실 문제를 해결하고, 초평면 상에서 결정 경계면 분리도를 극대화하는 기반이 된다.

3. ViViT-HH-SupCon의 전체 파이프라인 설계

본 연구에서 제안하는 식별 모델의 전체 파이프라인 구조는 [그림 2]와 같다. 생성형 AI 비디오 엔진 식별을 위해 3단계 처리 과정으로 구성된다. 전체 프로세스는 다중 도메인 전처리를 통해 입력 데이터를 구성한 후, ViViT 인코더 기반의 고차원 특징 추출과 지도 대조 학습(SupCon)을 통한 특징 공간 최적화로 이어지는 유기적인 흐름을 따른다.

Fig. 2.

Pipeline Architecture for High-Dimensional Feature Extraction and Hooking via ViViT-HH-SupCon

· 다중 도메인 아티팩트 전처리 (Stage 1: Multi-domain Artifact Preprocessing)

입력 비디오로부터 주파수(DCT), 노이즈(SRM), 시공간 변동성(Frame Difference) 정보를 통합하여 다중 도메인 아티팩트를 구성한다. 이러한 입력 설계는 단일 도메인 기반 분석의 한계를 보완하고, 생성형 AI 엔진별 미세 아티팩트를 보다 효과적으로 반영하기 위한 것이다.

· 고차원 특징 추출 (Stage 2: High-Dimensional Feature Extraction)

전처리된 입력은 ViViT-Base 백본을 통해 처리되며, 인코더의 중간 계층에서 고차원 원시 특징을 직접 후킹한다. 이는 최종 출력층의 저차원 임베딩에 의존하는 기존 방식과 달리, 정보 압축 이전 단계의 특징을 활용함으로써 고주파 기반 미세 아티팩트를 보존하고 엔진 간 변별력을 향상시키는 핵심 설계이다.

· 특징 공간 최적화 (Stage 3: Feature Space Optimization via SupCon)

추출된 고차원 특징 벡터는 지도 대조 학습(SupCon)을 통해 최적화된다. 동일 엔진에서 생성된 특징은 서로 가깝게, 서로 다른 엔진의 특징은 멀어지도록 학습하여 고차원 특징 공간에서 명확한 클러스터 구조를 형성한다. 이를 통해 생성형 AI 엔진 간 결정 경계가 강화되며 안정적인 식별 성능을 확보할 수 있다.

4. 모델 구조 및 학습 알고리즘 상세

본 절에서는 전처리된 데이터를 입력받아 고차원 특징을 추출하고, 이를 기반으로 생성형 AI 엔진을 식별하는 모델의 세부 구조와 학습 알고리즘에 대해 기술한다.

4.1 ViViT 기반 고차원 특징 추출 메커니즘

제안하는 구조의 백본(Backbone)은 비디오 데이터의 시공간적 맥락 파악에 최적화된 ViViT-Base 모델을 기반으로 한다. 고차원 특징 추출은 인코더의 중간 트랜스포머 블록에서 수행되며, 이는 최종 출력층에서 발생하는 정보 손실을 최소화하고, 미세 포렌식 특징을 효과적으로 보존하기 위함이다. 고차원 특징 추출 함수 Φ는 ViViT 인코더의 특정 계층 L에서의 활성화 값들을 결합하여 식 (2)와 같이 정의된다.

$\[ f_{high }=\Phi \left(z^L\right)=\left[z_{CLS}^L\oplus z_{{patch}_1}^L\oplus \cdots \oplus z_{{patch}_n}^L\right] \]$

(2)

여기서 각 기호의 정의는 [표 1]과 같다.

Table 1.

Definitions of Key Notations

본 연구에서는 ViViT-Base의 표준 임베딩 차원(768)을 기반으로 중간 계층의 토큰들을 결합 및 평탄화하여 8,704차원의 원시 특징 벡터를 구성한다. 이러한 고차원 표현은 생성형 AI 엔진별 시공간적 노이즈 패턴을 보다 정밀하게 보존할 수 있으며, 추출된 특징은 지도 대조 학습(SupCon)을 통해 엔진 간 변별력을 극대화하는 데 활용된다. 한편, 입력 패치 구성의 효율화를 위한 Tubelet embedding 적용은 향후 연구 과제로 다룬다.

4.2 지도 대조 학습(SupCon)을 이용한 특징 공간 최적화

추출된 8,704차원의 고차원 특징 벡터는 높은 정보 밀도를 가지므로, 동일 엔진 간의 응집도와 타 엔진 간의 변별력을 극대화하는 특징 공간(Feature Space) 최적화가 필요하다. 이를 위해 본 연구에서는 레이블 정보를 학습에 활용하는 지도 대조 학습(Supervised Contrastive Learning, SupCon) 알고리즘을 적용하고, 식 (3)의 손실 함수를 최소화하도록 학습을 수행한다.

$\[ L=\sum _{i\in I} \frac{-1}{\left|P\right(i\left)\right|}\sum _{p\in P\left(i\right)} \mathrm{l}\mathrm{o}\mathrm{g}\frac{\exp \left(z_i\cdot z_p/\tau \right)}{\sum _{a\in A\left(i\right)} \mathrm{e}\mathrm{x}\mathrm{p}\left(z_i\cdot z_p/\tau \right)} \]$

(3)

여기서 각 기호의 정의는 [표 2]와 같다.

Table 2.

Definitions of Key Notations

해당 손실 함수는 동일 엔진에서 생성된 특징은 가까워지도록, 서로 다른 엔진의 특징은 멀어지도록 유도함으로써 고차원 특징 공간에서 명확한 클러스터 구조를 형성한다. 이를 통해 엔진 고유의 미세 아티팩트 차이를 효과적으로 반영하는 변별력을 확보한다.

한편, 제안 모델은 고차원 특징 공간을 유지한 상태에서 학습이 이루어지므로, 향후 임계값 기반 아웃라이어 검출을 결합할 경우 미학습 신규 엔진을 ‘Unknown’ 클래스로 분리하는 개방형 집합 인식(OSR)으로 확장이 가능하다.

5. 데이터셋 구성 및 평가지표

5.1 생성형 AI 비디오 엔진 식별을 위한 검증 데이터셋 구성

본 연구에서 제안하는 아키텍처의 도메인 범용성과 식별 정밀도를 검증하기 위해, 생성형 비디오 평가 및 검증 분야의 벤치마크 프레임워크인 VBench-2.0에서 다루는 주요 생성형 AI 비디오 엔진들의 공개 데이터셋을 실험 환경으로 채택하였다. 본 연구는 VBench-2.0 프레임워크의 자체 평가 지표나 기능을 활용하는 대신, 해당 프레임워크를 통해 제공되는 오픈소스 비디오 데이터 소스로부터 식별 대상인 8개 엔진(CogVideo, HunyuanVideo, Kling, Sora, StepVideo, Veo3, Vidu_Q1, Wanx)의 렌더링된 비디오 데이터를 추출하여 모델의 학습 및 식별 검증 데이터셋으로 활용하였다^[14]. 데이터의 통계적 유의성과 실험의 객관성을 보장하기 위해, 선행 연구들에서 흔히 발생하는 특정 샘플 선별 방식(Cherry-picking)을 배제하였다.

데이터셋은 각 엔진별 약 4,000클립 규모로 구성된 총 32,000여 편의 공개 비디오 데이터를 기반으로 구축되었으며, FFmpeg 및 OpenCV 기반 전처리를 통해 손상된 영상과 최소 프레임 기준 미달 샘플을 제거하였다. 본 데이터셋은 VBench-2.0 프레임워크를 통해 공개된 오픈소스 데이터로, 동일한 수집 경로를 통해 재현 가능한 구조를 가진다. 실험의 공정성과 데이터 누수를 방지하기 위해 학습 데이터와 평가 데이터를 분리하였으며, 평가 단계에서는 각 엔진별로 100클립씩 균등 샘플링하여 총 800개의 테스트 데이터셋을 구성하였다. 데이터셋의 상세 구성은 [표 3]과 같다.

Table 3.

Dataset and Specifications for Generative Video Engine Forensic Evaluation

5.2 정량적 평가지표 명세

제안한 모델과 대조군의 다중 클래스 식별 성능을 평가하기 위해 정밀도(Precision), 재현율(Recall), 그리고 이들의 조화평균인 F1-Score를 사용하였다. 정밀도는 특정 클래스에 대해 모델이 양성으로 예측한 샘플 중 실제 양성의 비율을 의미하며 식 (4)와 같이 정의된다. 재현율은 실제 양성 샘플 중 모델이 올바르게 탐지한 비율로 식 (5)와 같이 정의된다. F1-Score는 정밀도와 재현율의 균형을 평가하는 지표로 식 (6)과 같이 정의된다.

$\[ Precision =\frac{T{P}_i}{T{P}_i+F{P}_i} \]$

(4)

$\[ Recall =\frac{T{P}_i}{T{P}_i+F{N}_i} \]$

(5)

$\[ F{1}_{-}Score =2\times \frac{ Precision \times Recall }{ Precision + Recall } \]$

(6)

본 연구에서는 다중 클래스 환경에서 모델의 과잉 탐지(False Positive)와 미탐(False Negative)을 균형 있게 평가하기 위해 F1-Score를 주요 성능 지표로 사용하였다.(단, 식 (4), (5), (6)의 TP_i, FP_i, FN_i는 각각 Class i에 대한 True Positive, False Positive, False Negative를 나타낸다.)

Ⅳ. 실험 및 성능 평가

1. 실험 환경 및 구현 상세

본 절에서는 제안한 구조의 성능을 평가하고 학술적 타당성을 검증하기 위해 구축된 실험 환경을 기술한다. 연산 효율성과 학습 안정성을 고려하여 최적의 컴퓨팅 환경을 조성하였다. 제안된 구조의 학습 및 추론은 비디오 패치 연산과 고차원 벡터의 거리 계산을 최적화하기 위해 GPU 가속 기반의 환경에서 수행되었다. 상세한 하드웨어 구성 및 소프트웨어 스펙은 [표 4]와 같다.

Table 4.

Hardware Configuration and Software Specifications

8,704차원의 고차원 특징 벡터 처리로 인한 메모리 사용량을 고려하여 혼합 정밀도 학습(Mixed Precision Training)을 적용하였다. 주요 연산은 FP32를 유지하고, 그 외 연산은 FP16으로 수행함으로써 제한된 8GB VRAM 환경에서도 안정적인 학습이 가능하도록 하였다.

공정한 성능 대조를 위해 설정한 베이스라인 모델의 세부 명세는 다음과 같다. ‘Standard 2D SupCon’은 ResNet-50 백본을 통해 프레임별 2,048차원 특징을 추출한 뒤, MLP 헤드(2048 → 512 → 128차원)를 통해 지도 대조 학습(SupCon)을 적용한 모델이다. ‘ViViT-SupCon(None Hooking)’은 동일한 백본을 사용하되 후킹 없이 최종 레이어의 [CLS] 토큰(768차원)을 8,704차원으로 선형 확장하여 SupCon에 입력하는 구조이다. 모든 모델은 동일한 학습 조건(Batch 16, Epoch 50, LR 1e-4, AdamW)을 적용하여 실험 편향을 통제하였다.

2. 실험군 설계 및 성능 비교 실험

2.1 실험군 설계

제안하는 ViViT-HH-SupCon 아키텍처의 성능 향상 요인을 분석하기 위해 3개의 통제 실험군을 구성하였다. 모델 구조의 차이에 따른 성능 변화를 비교한다.

• ∙ 실험 환경 1(Standard 2D SupCon): 기존 표준 모델의 성능 확인
  • - 프레임 단위의 공간 특징만을 활용하며, 최종 단계에서 128차원의 저차원 임베딩으로 학습하는 기존 2D 기반 대조 모델이다.
• ∙ 실험 환경 2(ViViT-SupCon, None Hooking): 시공간 백본을 쓰되, 후킹 메커니즘을 배제한 구조
  • - 제안 모델과 동일한 시공간 백본(ViViT) 및 지도 대조 학습(SupCon) 구조를 유지하되, 중간 계층의 후킹 메커니즘을 배제하고 고도 압축이 완료된 최종 출력층(Final Layer)의 특징을 입력으로 사용하는 모델이다.
• ∙ 실험 환경 3(Proposed ViViT-HH-SupCon): 후킹 메커니즘을 적용한 구조
  • - 인코더의 중간 계층에서 고차원 원시 특징을 직접 후킹하여 SupCon과 결합한 제안 모델이다.

모든 실험군은 VBench-2.0 기반의 독립 평가 데이터셋(총 800클립, 엔진별 100클립)에 대해 동일한 조건에서 추론을 수행하였으며, 그 결과는 [표 5]에 제시한다.

Table 5.

Performance Comparison of Backbones for Generative Video Engine Identification Under Identical Spatiotemporal-Frequency Input Conditions

2.2 성능 비교 실험

2.2.1 백본 네트워크 구조에 따른 정량적 수치 분석

제안하는 ViViT-HH-SupCon 파이프라인은 8개 생성형 AI 엔진에 대해 Macro F1-score 0.9220 및 전체 정확도 92.25%를 달성하였으며, 기존 Standard 2D SupCon 대비 각각 25.83%p 및 28.37%p의 성능 향상을 보였다.

이러한 성능 향상은 비디오의 시간적 정보와 시공간적 일관성을 함께 고려한 특징 학습에 기인한다. 정지 영상 기반의 2D 모델은 프레임 간 시간적 변화 정보를 반영하지 못해 미세 아티팩트 탐지에 한계를 보이며, 특히 Veo3와 Vidu_Q1와 같은 일부 엔진에서 낮은 재현율을 나타낸다.

반면, 제안 모델은 시공간적 특징을 통합적으로 학습함으로써 전반적인 식별 성능을 향상시키며, 대부분의 엔진에서 안정적인 성능을 보인다. 특히 StepVideo와 같이 변조 흔적이 상대적으로 미세한 경우에도 높은 분류 정확도를 유지하였다. 각 엔진별 세부 분류 결과는 [그림 3]의 Confusion Matrix에서 확인할 수 있다.

Fig. 3.

Confusion Matrix Comparison between Standard 2D SupCon (Left) and Proposed ViViT-SupCon (Right) Under Identical Spatiotemporal-Frequency Input Conditions

2.2.2 고차원 레이어 후킹 유무에 따른 성능 대조 실험 결과

[표 6]은 인코더의 특징 추출 계층 위치에 따른 성능 차이를 비교한 결과를 보여준다. 동일한 8,704차원의 특징 공간을 사용함에도, 중간 계층 후킹을 적용한 경우와 적용하지 않은 경우 간에 유의미한 성능 차이가 확인된다.

Table 6.

Comprehensive Comparative Results on Encoder Extraction Layers and Feature Space Dimensions

실험 결과, 후킹을 적용하지 않은 Exp 2(None Hooking)는 제안 모델(Exp 3) 대비 낮은 성능을 보였다(Macro F1: 0.7945 → 0.9220). 이는 최종 출력층의 압축 과정에서 미세 아티팩트 정보가 손실되어 특징 공간의 분리도가 저하되기 때문이다.

반면, 제안 모델은 인코더의 중간 계층에서 고차원 특징을 직접 후킹함으로써 정보 손실을 최소화하고, 엔진별 특징 클러스터를 보다 명확하게 분리하여 높은 식별 성능을 달성하였다.

2.2.3 미세 화질 열화 환경 하에서의 생성형 AI 비디오 엔진 식별 강인성(Robustness) 평가

제안 모델의 강인성을 검증하기 위해 Gaussian blur, Gaussian noise, Resolution downscaling의 세 가지 화질 열화 조건을 적용하고, 각 실험군의 식별 정확도를 비교하였다. 결과는 [표 7]에 제시되어 있다.

Table 7.

Comparison of Video Engine Identification Accuracy by Model Under Three Mild Image Quality Degradation Environments

실험 결과, 제안 모델(Exp 3)은 모든 열화 조건에서 높은 정확도를 유지하며 안정적인 성능을 보였다(93.0% → 89.0% 수준). 반면, 2D 기반 모델과 후킹을 적용하지 않은 모델(Exp 1, Exp 2)은 열화 조건에서 성능 저하가 크게 나타났다.

이는 제안 모델이 인코더의 중간 계층에서 고차원 특징을 직접 활용함으로써, 외부 노이즈 및 화질 변형에도 불구하고 엔진 고유의 시공간적 특성을 효과적으로 보존하기 때문이다. 각 모델의 성능 변화 경향은 [그림 4]에서 확인할 수 있다.

Fig. 4.

Performance comparison under mild degradation conditions

2.2.4 t-SNE 시각화를 통한 생성형 AI 비디오 엔진별 분리도

제안 모델의 특징 분리 성능은 고차원 특징 공간을 2차원으로 투영한 t-SNE 결과([그림 5])를 통해 확인할 수 있다.

Fig. 5.

Comparison of Engine-Specific Separation Based on High-Dimensional Feature Space t-SNE Visualization: (a) Standard 2D SupCon, (b) ViViT-SupCon (None Hooking), (c) Proposed ViViT-HH-SupCon

(a) Standard 2D SupCon은 공간 특징만을 사용함에 따라 클래스 간 경계가 분리되지 않고 중앙 영역에서 중첩된 분포를 보인다. (b) ViViT-SupCon(None Hooking)은 시공간 정보를 반영하여 일부 군집화 경향을 보이지만, 엔진 간 경계가 명확하게 분리되지 않는다. 반면, (c) 제안 모델은 중간 계층 특징을 활용함으로써 각 엔진별 클러스터가 명확하게 분리된 구조를 형성한다.

Ⅴ. 기대 효과

Ⅵ. 결론 및 향후 과제

Acknowledgments

본 연구는 과학기술정보통신부 및 정보통신기획평가원의 메타버스 융합대학원의 연구 결과 (RS-2022-00156318)와 정부(과학기술정보통신부)의 재원으로 정보통신기획평가원-대학ICT연구센터(ITRC)의 지원을 받아 수행된 연구임(IITP-2026-RS-2023-00259099)

References

• S. Bergmann, D. Moussa, F. Brand, A. Kaup, and C. Riess, “Forensic Analysis of AI-Compression Traces in Spatial and Frequency Domain,” Pattern Recognition Letters, vol. 180, pp. 41-47, Apr, 2024. [https://doi.org/10.1016/j.patrec.2024.02.015]
• D. Cozzolino and L. Verdoliva, “Noiseprint: A CNN-Based Camera Model Fingerprint,” IEEE Transactions on Information Forensics and Security, vol. 15, pp. 144-159, May, 2019. [https://doi.org/10.1109/TIFS.2019.2916364]
• R. Corvi, D. Cozzolino, G. Zingarini, G. Poggi, K. Nagano, and L. Verdoliva, “On The Detection of Synthetic Images Generated by Diffusion Models,” in Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Jun. 2023. [https://doi.org/10.1109/ICASSP49357.2023.10095167]
• F. Khan, A. Sareen, A. S. Kumar, and M. Bhuvaneswari, “A Quantum-Hybrid Framework for Enhanced Deepfake Detection: Integrating QAOA-Based Feature Selection With Quantum-Inspired Attention Mechanisms,” IEEE Access, vol. 14, pp. 17853 - 17873, Jan, 2026. [https://doi.org/10.1109/ACCESS.2026.3659021]
• E. H. Shah, U. Dubey, A. S. A. Rahiman, and N. P. Shetty, “Multi-Layer Knowledge Distillation With Custom Temperature Scaling for Deepfake Detection,” IEEE Access, vol. 14, pp. 46763-46787, Mar. 2026. [https://doi.org/10.1109/ACCESS.2026.3674500]
• T. Yang, Z. Huang, J. Cao, L. Li, and X. Li, “Deepfake Network Architecture Attribution,” in Proceedings of the AAAI Conference on Artificial Intelligence (AAAI), vol. 36, no. 4, pp. 4662–4670, Jun. 2022. [https://doi.org/10.1609/aaai.v36i4.20391]
• A. Arnab, M. Dehghani, G. Heigold, C. Sun, M. Lučić, and C. Schmid, “ViViT: A Video Vision Transformer,” Proceedings of the IEEE/CVF International Conference on Computer Vision, Oct, 2021. [https://doi.org/10.1109/ICCV48922.2021.00676]
• P. Khosla, P. Teterwak, C. Wang, A. Sarna, Y. Tian, P. Isola, A. Maschinot, C. Liu, and D. Krishnan, “Supervised Contrastive Learning,” Advances in Neural Information Processing Systems, vol. 34, pp. 18661-18673, Dec, 2020. [https://doi.org/10.48550/arXiv.2004.11362]
• T. Chen, S. Kornblith, M. Norouzi, and G. Hinton, “A Simple Framework for Contrastive Learning of Visual Representations,” Proceedings of the 37th International Conference on Machine Learning, pp. 1597-1607, Jul, 2020. [https://doi.org/10.48550/arXiv.2002.05709]
• R. Kundu, V. Mohanty, H. Xiong, S. Jia, A. Balachandran, and A. K. Roy-Chowdhury, “SAGA: Source Attribution of Generative AI Videos,” arXiv preprint arXiv:2511.12834, , 2025. [https://doi.org/10.48550/arXiv.2511.12834]
• P. He, L. Zhu, J. Li, S. Wang, and H. Li, “Exposing AI-generated Videos: A Benchmark Dataset and a Local-and-Global Temporal Defect Based Detection Method,” arXiv, May 2024. [https://doi.org/10.48550/arXiv.2405.04133]
• M. Cassia, L. Guarnera, M. Casu, I. Zangara, and S. Battiato, “Deepfake Forensic Analysis: Source Dataset Attribution and Legal Implications of Synthetic Media Manipulation,” in Proceedings of the IEEE International Conference on Metrology for eXtended Reality, Artificial Intelligence and Neural Engineering (MetroXRAINE), Oct. 2025. [https://doi.org/10.1109/MetroXRAINE66377.2025.11340536]
• S. Baxavanakis, M. Schinas, and S. Papadopoulos, “Do DeepFake Attribution Models Generalize?,” in Proceedings of the 4th ACM International Workshop on Multimedia AI against Disinformation, pp. 45-54, July, 2025. [https://doi.org/10.1145/3733567.3735572]
• D. Zheng, Z. Huang, H. Liu, K. Zou, Y. He, F. Zhang, Y. Zhang, J. He, W. S. Zheng, Y. Qiao, and Z. Liu, “VBench-2.0: Advancing Video Generation Benchmark Suite for Intrinsic Faithfulness,” arXiv preprint arXiv:2503.21755, , 2025. [https://doi.org/10.48550/arXiv.2503.21755]