クラス分類の前に画像の再構成ネットワークを入れる．この際，再構成ネットワークでは特定の偽画像パターンに特化しないために，学習データを本物の顔画像のみにする．結果，未知の偽画像が入力された際に再構成結果の違いをもとにした分類が可能になる．また、提案法では偽画像と特徴量レベルで分布が離れるようにするために距離ベースのロスも追加した．

偽画像を含むデータセット(FF++，DFDCなど)において，正答率(Acc)，AUC，EERで評価してSOTAを達成した．また，学習データとテストデータが違うケースにおいても評価を行っており，従来法よりも偽画像パターンに対してロバストであることを示した．

偽画像はNNの構造によって膨大な生成パターンが想定される．この問題に対して，本物との差分に注目することで対応しており，評価データでSOTAを達成しているため．また，再構成ネットワークの有効性を示すために，Grad-CAMなどで詳細な分析がなされているため．