딥페이크 범죄 대응을 위한 AI 탐지 모델 경진대회

🚩 과제 목표

본 대회의 목표는 이미지 및 동영상 속 인물 얼굴의 딥페이크 여부를 판별하는 이진 분류 모델을 개발하는 것입니다.

🚨 제출 규칙

본 대회는 일반적인 대회와 달리 추론 결과 가 아닌 모델 을 제출하는 추론 자동화 방식으로 결과를 제출합니다.

• 테스트셋은 참가자분들께 제공되지 않으며, 평가는 보안 환경 내에서 제출된 모델에 평가 데이터를 적용하여 자동으로 수행됩니다.

• 모델 제출 방식은 [베이스라인] 탭을 참고하세요.

• 팀당 하루 최대 3회까지 제출 가능하며, 재제출은 [정상적으로 결과가 처리된 경우에 한해 이전 결과 확인 후 30분]이 지나야 가능합니다. 
  (정상적으로 점수가 산출된 경우에 한해 제출 횟수가 카운트됩니다.)

🔷 모델 입출력

◈  입력 (Input) : 이미지 

• 입력 이미지는 한 명의 인물이 반드시 포함되며 얼굴 영역을 근거로 판정이 이루어져야 합니다. 

• 동영상 데이터의 경우, 프레임 단위로 추출하는 등의 사전 처리를 통해 이미지 형식으로 변환하여 모델에 입력해야 합니다.

◈  출력 (Output) : 각 데이터에 대한 딥페이크 여부 예측 결과

• Fake (딥페이크) : 1

• Real (실제) :  0

• 동영상 데이터의 경우, 여러 프레임을 분석하더라도 해당 동영상 전체에 대한 단일 예측 결과(0 또는 1)를 출력해야 합니다.

• 출력은 항상 0 / 1 중 하나여야 합니다. (null / None 등 예측 실패로 인해 빈 값이 나오지 않도록 주의)

📄 데이터셋 정책 및 샘플

◈  공식 데이터셋 미제공

• 본 대회에서는 공식 학습 데이터셋과 평가 데이터셋을 모두 제공하지 않습니다.

• 참가자는 모델 학습에 필요한 데이터를 직접 구축해야 합니다.

• 평가는 추론 자동화를 통해 비공개 테스트 데이터셋으로 자동 채점합니다.

◈ 평가 데이터셋 규격

• 파일 형식: 데이터는 .png, .jpg 형식의 이미지 또는 .mp4 형식의 동영상입니다.

• 모든 데이터에는 얼굴이 명확히 식별 가능한 인물이 한 명 포함되어 있습니다.

• 데이터에서 얼굴이 명확하게 드러나는 사람은 반드시 한 명입니다. (즉, 2명 이상의 사람 얼굴을 포함하는 데이터는 없습니다.)

• 동영상 데이터의 길이는 평균적으로 5초 내외입니다.

• 아시아인 외에도 백인/ 흑인 등 다양한 인종 및 연령으로 구성되어 있습니다.

• 상용 동영상 / 이미지 생성 서비스와 오픈소스 모델 대부분이 사용되었으며, 구형 face swap, lip sync 방식도 포함되어 있습니다.

◈  샘플 데이터셋 제공

• 참가자의 데이터셋 구성을 돕기 위해 참고용 샘플 데이터를 제공합니다.

• 샘플 데이터는 Fake 이미지 7개와 Fake 동영상 5개로 구성되어 있습니다.

• 하단의 [데이터셋 다운로드]에서 샘플 데이터셋을 다운받으실 수 있습니다. 

⌛ 추론 결과 규격

◈  추론 결과 파일 형식 (submission.csv)

• 참가자는 추론 스크립트를 통해 비공개 테스트 데이터셋의 각 파일에 대한 예측 결과를 submission.csv 파일로 생성해야 합니다. 

• 파일 형식은 아래 규격을 따라야 합니다.

◈  평가 방식

• 제출된 모델의 추론 결과 파일 submission.csv 와 내부 정답 파일 answer.csv 를 비교하여 최종 점수를 산출합니다.

• 즉, submission.csv 의 label 값과 answer.csv의 label 값을 비교하여 평가 지표에 따라 채점이 이루어집니다.

• ※ 동점자에 대한 세부 평가에 대해서는 추후 안내될 예정입니다.

◈  모델 제출 및 스크립트 작성 요령

• 본 대회는 모델을 제출하여 자동 추론 방식으로 평가를 수행하므로, 추론용 모델 스크립트에서 결과를 파일로 저장하도록 구성해야 합니다.

• 자세한 모델 제출 및 코드 작성 방법은 [베이스라인] 탭의 베이스라인 코드를 참고해주세요.

✔️ 평가 지표

• 평가 지표: Macro F1-score

• 클래스 정의: Macro F1-score 산출 시, 탐지 대상인 Fake를 양성(Positive) 클래스로 정의합니다.

  • 양성 (Positive) : Fake (label: 1)

  • 음성 (Negative) : Real (label: 0)