연구진은 얼굴 위조 탐지기들이 학습 데이터에 없는 생성기 패밀리에 대해 맹점을 보이는 문제를 해결하기 위해 GLID를 발표했어요.
GLID는 이미지 패치 토큰의 잠재 차원을 추정하여 훈련 데이터가 부족한 영역에서 성능을 향상시키며, 16개 축의 교차 생성기 벤치마크에서 평균 AUC 0.805를 달성했어요.
GLID는 훈련 데이터가 없는 영역에서 기하학적 신호를 활용하여 기존 모델 대비 성능을 향상시키고, 정확도 분산을 5.5배 줄이는 효과를 보였어요.