生成型人工知能の急速な進展により、合成画像が本物のコンテンツと見分けがつかないほどになり、デジタルメディアの整合性に対する重大な課題が生じている。本研究は、合成画像検出における一般化の課題に対処するための新しい二段階の検出フレームワークを提案する。第一段階では、監視型コントラスト学習を用いて、視覚深層学習モデルが入力画像から識別的エンベディングを抽出する。第二段階では、学習したエンベディング空間上でk最近傍（k-NN）分類器を使用し、限られたサンプルを持つ少数ショット学習の枠組みで訓練する。150枚の画像で91.3%の平均検出精度を達成し、従来の方法より5.2ポイントの改善を示す。また、帰属タスクでは、オープンセット分類コンテキストにおいてAUCとOSCRでそれぞれ14.70%と4.27%の改善を達成し、従来の再訓練プロトコルなしで進化する生成AIに適応可能な堅牢でスケーラブルな法的帰属システムへの重要な進展を示している。