기술 요약: BusterX++

문제 정의

생성형 AI의 급격한 발전은 이미지 및 비디오 합성의 품질을 크게 향ile시켜, 다중 모드(multimodal) 시각적 오정보의 위험을 증폭시켰습니다. 최근의 멀티모달 대규모 언어 모델(MLLM)은 투명한 추론과 설명을 통해 AI 생성 콘텐츠(AIGC)를 탐지하는 데 유망한 모습을 보이고 있으나, 기존 방식들은 이미지와 비디오 포렌식을 독립된 과제로 취급하는 경향이 있습니다. 이러한 분리는 교차 모달 시너지(cross-modal synergies)를 충분히 탐구하지 못하게 만듭니다. 나아가, 추론 지향형 MLLM의 일반적인 학습 패러다임은 지도 미세 조정(SFT) 후 강화 학습(RL)을 수행하는 2단계 과정을 거칩니다. 저자들은 정제된 데몬스트레이션에 의존하는 이러한 SFT 초기화가 모델의 정책 탐색 공간을 의도적으로 제한하여, 미세하고 고유하지 않은 시각적 위조 단서를 발견하는 데 필요한 탐색적 자유를 억제하고, 교차 모달 능력 전이의 자발적 발현을 방해하는 것은 아닌지 의문을 제기합니다.

방법론

1. GenBuster-Bench++: 통합 벤치마크

교차 모달 상호작용을 위한 통제된 평가 환경의 부재를 해결하기 위해, 저자들은 **GenBuster-Bench++**를 도입합니다.

• 구성: 4,000개의 샘플(이미지 2,000개, 비디오 2,000개)을 포함하는 정밀하게 큐레이션된 데이터셋입니다.
• 출처: 실제 샘플은 OpenVid-1M HD에서 가져왔습니다. 합성 샘플은 13종의 최첨단(SOTA) 비디오 생성기(예: Runway Gen-3, Sora, Kling 2.0)와 7종의 SOTA 이미지 생성기(예: FLUX, GPT-4o, Ideogram)를 사용하여 생성되었습니다.
• 큐레이션: 이 데이터셋은 엄격한 2단계 인간 필터링 파이프라인을 거칩니다. 결정적으로, 합성 샘플은 최소 5명의 포렌식 전문가 중 3명 이상를 속이는 데 성공한 경우에만 유지되어, 높은 난이도와 현실성을 보장합니다.
• 정렬: 이 벤치마크는 모달리티 간의 난이도 불균형과 도메인 편차를 제거하여, 모달리티 간 난이도를 균형 있게 맞추고 다양한 실제 시나리오(9개 카테고리)를 포함합니다.

2. BusterX++: 단일 단계 순수 RL 학습

핵심적인 방법론적 기여는 SFT를 완전히 건너뛰고 간소화된 단일 단계 강화 학습(RL) 파이프라인을 통해 학습된 통합 MLLM인 **BusterX++**입니다.

• 학습 전략: 모델은 DAPO(Direct Policy Optimization) 알고리즘을 사용하여 통합 데이터셋(GenBuster-Unified, 10,000개 샘플)에서 직접 학습됩니다.
• 보상 함수: 최적화는 엄격하게 희소 결과 보상(sparse outcome rewards)에 의해 구동됩니다:
  • 포맷 보상(Format Reward): 요구된 출력 구조에서 벗어나는 경우 벌점을 부여합니다.
  • 정확도 보상(Accuracy Reward): 올바른 분류(Real/Fake) 시 +1을 부여하고 그렇지 않으면 0을 부여합니다.
  • 소프트 과잉 길이 페널티(Soft Overlong Penalty): 지나치게 긴 응답에 대해 벌점을 부여합니다.
• SFT 생략의 근거: 저자들은 SFT가 낮은 정책 엔트로피를 강요하여, 모델이 텍스트 추론 패턴을 재현하는 데 그치게 하고 차별적인 시각적 증거를 탐색하는 것을 제한한다고 가설을 세웠습니다. SFT 워밍업을 제거함으로써, 순수 RL 전략은 더 높은 정책 엔트로피를 유지하여 모델이 솔루션 공간을 탐색하고 잠재적인 교차 모달 시너지를 발견하도록 장려합니다.

3. 통합 교차 모달 학습

학습 데이터는 공유된 최적화 공간 내에서 이미지와 비디오 모달리티를 결합합니다. 저자들은 다음과 같이 주장합니다:

• 이미지-투-비디오 전이: 고해 resolution 이미지로부터 얻은 미세한 질감 및 날카로운 경계 사전 지식(priors)은 합성 비디오의 프레임 수준 불일치를 완화하는 데 도움을 줍니다.
• 비디오-투-이미지 전이: 비디오 시퀀스의 동적인 환경 변화와 시간적 불일치는 정적 이미지를 감사할 때 모델의 견고성을 풍부하게 하며, 특히 모션 블러나 조명 아티팩트에 대한 대응력을 높입니다.

주요 기여

1. GenBuster-Bench++: 다양한 SOTA 생성기로부터 추출된 균형 잡힌 샘플과 엄격한 인간 큐레이션을 특징으로 하는, 난이도가 정렬된 통합 AI 생성 이미지 및 비디오 탐지 벤치마크입니다.
2. BusterX++: 단일 단계 순수 RL 학습 패러다임을 통해 이미지 및 비디오 포렌식 모두에서 최첨단 성능을 달ach하는 통합 MLLM 아키텍처입니다.
3. 학습 패러다임의 전환: 단일 단계 순수 RL 전략이 희소 보상에 의해 구동될 때 기존의 SFT→RL 파이프라인보다 우수하다는 실증적 증거를 제시합니다. 저자들은 SFT가 정책 엔트로피를 감소시켜 모델이 모달리티 간 능력을 탐색하고 전이하는 능력을 제한한다고 식별했습니다.
4. 교차 모달 시너지: 통합 학습이 이미지 수준의 사전 지식이 비디오 탐정을 개선하고 그 반대의 경우도 마찬가지인 것처럼, 자발적인 능력 전이를 가능하게 하여 더 우수한 일반화 성능을 이끌어낸다는 점을 입증했습니다.

실험 결과

• GenBuster-Bench++에서의 성능: BusterX++는 전체 정확도 **81.8%**를 달성하였으며, 이는 강력한 SFT+RL 베이스라인(77.8%) 및 기타 오픈/클로즈 소스 MLLM(예: Qwen3.5-122B, GPT-5.2)을 유의미하게 능가합니다.
• 절제 연구(Ablation Studies):
  • 학습 파이프라인: 순수 RL은 단일 모달리티 및 통합 설정 모두에서 SFT로 초기화된 RL보다 일관되게 우수한 성능을 보였습니다.
  • 모달리티: 통합 학습(이미지 + 비디오)은 단일 모달리티 학습보다 높은 정확도를 나타내어, 단일 모달리티 내에서도 교차 모달 상보성의 이점을 확인시켜 주었습니다.
• 견고성: 모델은 일반적인 시각적 섭동(JPEG 압축, 가우시안 노이즈, 가우시안 블러) 및 열화 연쇄(degradation cascades)에 대해 놀라운 안정성을 보여주며, 열화된 데이터에 대한 특정 학습 없이도 높은 정확도를 유지합니다.
• 사례 연구:
  • 비디오-투-이미지: 순수 RL은 실제 스포츠 사진의 모션 블러를 자연스러운 것으로 올바르게 식별한 반면, SFT 베이스라인은 이를 디지털 합성 아티팩트로 오해했습니다.
  • 이미지-투-비디오: 순수 RL은 글로벌 시간적 일관성에 과도하게 의존하는 SFT 베이스라인이 놓치는 합성 비디오의 국소적 프레임 수준 아티팩트를 탐지합니다.
• 사용자 선호도: 포렌식 전문가들과의 이중 맹검 평가에서, BusterX++의 설명은 GPT-5.2보다 82% 더 선호되었습니다. 또한, BusterX++의 추론에서 인용된 시각적 아티팩트의 **87%**는 사실에 근거한 것이었습니다.

의의 및 주장

본 논문은 통합된 시각적 포렌식이 아키텍처의 통합뿐만 아니라, 모달리티 간 전이 가능한 추론을 장려하는 학습 전략으로부터도 이득을 얻는다고 주장합니다. 주요 의의는 SFT가 AIGC 탐지에 있어 교차 모달 능력의 발견에 해로울 수 있다는 발견에 있습니다. 순수 RL 접근 방식을 통해 높은 정책 엔트로피를 유지함으로써, 모델은 미세한 시각적 사전 지식을 이미지와 비디오 사이에서 자발적으로 전이하는 법을 배울 수 있습니다.

저자들은 결론적으로 BusterX++가 통합 교차 모달 시각적 추론을 위한 RL의 강력한 잠재력을 강조하며, 표준적인 SFT→RL 패러다임에 대한 더 효과적인 대안을 제시한다고 밝힙니다. 또한 생성 기술의 급격한 진화에 따른 한계를 인정하며, 미래의 모델들에 대해 효능을 유지하기 위해서는 프레임워크의 지속적인 적응이 필요함을 언급했습니다.