AI 연구연구 프리프린트
이미지의 생성형 지우개 흔적, DINOv3 중간층을 합쳐 픽셀로 찾는다
원문 읽기 · arxiv.org ↗(새 탭에서 열림)DINO-FIL은 생성형 채우기로 바뀐 영역을 이미지 전체 판별이 아니라 픽셀 마스크로 찾기 위해 DINOv3 여러 층의 특징을 결합한다.
연구 방법
- 사전학습된 DINOv3 ViT-H+/16의 중간층 특징을 융합해 얕은 질감과 깊은 의미 단서를 함께 쓰고 경량 디코더가 조작 영역을 예측한다. B-Free에서 학습해 Beyond the Brush·CocoGlide·TGIF·SAGI-D와 B-Free의 2만8835장을 평가했다.
평가 결과
- 마지막24층을 미세조정하고 1024픽셀로 평가한 모델의 5자료 평균 IoU/F1은 0.71/0.77로, 기존 보고의 DinoLizer 0.49/0.61보다 높았다. 깨끗한 이미지 9081장에서는 이미지 단위 참음성률 0.9719였지만 TGIF에서는 TruFor가 IoU 0.70으로 이 모델 0.57보다 높았다.
적용 조건
- 비교선 성적은 각각 다른 논문의 보고값이며 동일 조건 재학습 비교가 아니다. 비교선은 원본 해상도를 처리하는 반면 이 모델은 고정 해상도 입력으로 조건이 다르다. 시험은 정해진 이미지 생성·편집 자료와 문턱값 0.5에 국한되므로 실제 유통 이미지의 출처 진위를 자동 판정하는 도구로 볼 수 없다.
함께 확인할 조건
- 비교선 성적은 각각 다른 논문의 보고값이며 동일 조건 재학습 비교가 아니다. 비교선은 원본 해상도를 처리하는 반면 이 모델은 고정 해상도 입력으로 조건이 다르다. 시험은 정해진 이미지 생성·편집 자료와 문턱값 0.5에 국한되므로 실제 유통 이미지의 출처 진위를 자동 판정하는 도구로 볼 수 없다.
출처와 편집 기준
arxiv.org · 연구 프리프린트 · 검수 2026.10.19 (KST)
요약은 원문의 핵심을 정리했으며, 커머스 인사이트는 편집 해석이다.