최근 딥페이크(Deepfake)는 가짜 정보의 확산 및 보안 위협과 관련하여 다양한 사회적 우려를 불러일으키고 있다. 이에 따라 딥페이크 탐지에 관한 연구가 활발히 진행되어 왔으나, 저품질 딥페이크뿐만 아니라 다양한 품질 수준의 딥페이크를 동시에 효과적으로 탐지하는 것은 여전히 큰 도전 과제로 남아 있다. 기존의 최신 기술(SOTA) 접근 방식은 특정한 딥페이크 영상 품질 유형에 대해 단일 모델을 사용하는 데 한계가 있다. 영상 품질에 대한 사전 정보를 바탕으로 다수의 모델을 구성하는 전략은 계산 비용이 크게 증가할 뿐만 아니라 모델 및 학습 데이터의 부담도 증가하며, 실세계 환경에서의 확장성과 실용성도 확보하기 어렵다. 본 연구에서는 다양한 품질 수준의 딥페이크를 효과적이고 동시에 탐지할 수 있도록 하는 보편적인 내부 모델 협동 학습 프레임워크를 제안한다. 즉, 본 연구의 접근법은 품질에 관계없이 적용 가능한 딥페이크 탐지 기법으로, QAD(Quality-Agnostic Deepfake Detection)라고 명명한다. 특히, 일반화 오차 기대값의 상한을 관찰한 결과, 힐베르트-슈미트 독립성 기준(Hilbert-Schmidt Independence Criterion, HSIC)을 활용하여 서로 다른 품질 수준의 이미지에 대한 중간 표현 간의 종속성을 극대화한다. 더불어, 모델이 이미지 손상에 더 강건해지면서 전체 성능을 향상시킬 수 있도록 적절히 설계된 적대적 가중치 편차(Adversarial Weight Perturbation) 모듈을 도입하였다. 일곱 개의 대표적인 딥페이크 데이터셋을 대상으로 수행한 광범위한 실험을 통해 QAD 모델이 기존의 최신 기준(SOTA)보다 우수한 성능을 보임을 입증하였다.