주의 기반 워터마킹 및 블록체인 기반 진위 검증을 통한 적극적 딥페이크 완화 통합 프레임워크

딥페이크 생성 기술의 급속한 발전은 디지털 비디오 콘텐츠의 신뢰성에 점점 더 큰 위협이 되고 있다. 기존의 대부분 솔루션은 반응형 탐지 방법에 의존하며, 이는 지속적으로 진화하는 생성 모델에 대해 일반화하는 데 어려움을 겪는다. 이 문제를 해결하기 위해 본 논문은 비디오 콘텐츠 생성 시점에서 보안을 제공하는 적극적이고 검증 가능한 딥페이크 완화 프레임워크를 제안한다. 제안 시스템은 세 가지 보완적 구성 요소를 통합한다: (i) EfficientNetV2B0 기반 공간-시간 주의 모델과 2층 장기 단기 메모리(LSTM) 네트워크를 통한 지각적 및 시간적으로 두드러진 영역 식별, (ii) 주의 유도 생성적 적대 신경망(GAN)을 사용하여 눈에 띄지 않으면서도 견고한 워터마크 삽입, (iii) 암호학적 해싱을 통한 변경 불가능한 파일 수준 무결성 검증을 제공하는 블록체인 기반 원장. 실험 결과, 주의 모델은 97.20% 정확도를 달성하여 차별화된 공간-시간 표현 학습 능력을 확인하였다. 워터마킹 체계는 시각적 품질을 높게 유지하며, 평균 PSNR 33.67 dB 및 SSIM 0.9838을 달성하였다. 제안 프레임워크는 DeepFaceLab 2.0을 사용해 생성한 얼굴 교체 공격을 100% 탐지하며, 재압축(90%), 스케일링(89%), 흐림(98%) 등 일반적인 비디오 열화에 대해 견고함을 보였다. 심각한 가우시안 노이즈(80%) 하에서 성능 저하는 비구조적 픽셀 교란에 대한 워터마크의 현실적 한계를 나타낸다. 소거 연구는 주의 유도와 시간 모델링이 높은 견고성을 달성하는 데 모두 중요함을 추가로 확인하였다. 전반적으로 이 연구는 딥페이크 방어를 반응형 탐지에서 적극적이고 콘텐츠 인지적이며 검증 가능한 보호로 전환시킨다.