From Unlearning to UNBRANDING: A Benchmark for Trademark-Safe Text-to-Image Generation

1. 문제 제기 (Problem Statement)

• 배경: 최신 텍스트-이미지 생성 모델 (SDXL, FLUX 등) 은 고해상도와 높은 충실도로 이미지를 생성하지만, 동시에 상표 로고, 브랜드 특유의 디자인 (Trade Dress) 등을 무단으로 재생성하는 위험이 커지고 있습니다.
• 기존 방법의 한계:
  • 전통적인 Unlearning: 특정 개념 (예: 특정 사람, 예술 스타일) 을 완전히 삭제하는 방식입니다. 이는 브랜드를 제거할 때 대상 객체 (예: 자동차, 병) 자체의 의미와 구조까지 파괴하는 결과를 초래합니다.
  • 로고 제거의 불충분함: 단순히 로고만 지우는 것은 충분하지 않습니다. 브랜드 정체성은 로고뿐만 아니라 독특한 구조적 특징 (Trade Dress) (예: BMW 의 키드니 그릴, 코카콜라의 병 모양) 에도 존재하기 때문입니다.
• 핵심 문제: 객체의 의미적 일관성 (Semantic Coherence) 을 유지하면서, 로고와 같은 명시적 상표뿐만 아니라 암시적 구조적 특징까지 정밀하게 제거하는 방법은 아직 존재하지 않습니다.

2. 제안 방법 및 방법론 (Methodology)

A. Unbranding (브랜드 제거) 작업 정의

기존의 '개념 삭제'와 구별되는 새로운 작업으로 정의됩니다.

• 목표: 생성된 이미지에서 브랜드 관련 요소 (로고, 상표, 독특한 디자인 패턴) 를 선택적으로 제거하되, 하위 객체의 의미와 시각적 일관성은 유지해야 합니다.
• 수식적 정의:
  • 기존 Unlearning: $p_{\theta'}(x|p) \approx 0$ (특정 개념이 포함된 경우)
  • 제안된 Unbranding: $p_{\theta'}(x|p) \approx p_{\theta}(\psi(x)|p)$
  • 여기서 $\psi(x)$는 브랜드를 제거한 함수로, 브랜드 감지기 $h_b$가 0 이 되도록 하되, 원본 이미지 $x$와의 유사성 $S(x, \psi(x))$는 최대화되어야 합니다.

B. 벤치마크 데이터셋 구축

• 구성: 12 개의 주요 브랜드 (애플, BMW, 코카콜라, 나이키 등) 를 6 가지 도메인 (항공, 자동차, 음료, 패스트푸드, 스포츠웨어, 기술) 에 걸쳐 포함하는 1,759 개의 프롬프트로 구성됨.
• 난이도 조절:
  • 명시적 프롬프트: 브랜드 이름을 직접 언급 (예: "BMW 차").
  • 암시적 프롬프트: 브랜드를 직접 언급하지 않고 특징만 설명 (예: "독일의 고급 자동차") 하여 모델의 내재된 편향을 평가.
• 검증: 생성된 베이스라인 이미지들이 실제로 브랜드 식별 요소 (로고 및 Trade Dress) 를 포함하는지 VLM(Vision Language Model) 과 인간 어노테이터를 통해 검증.

C. 새로운 평가 프레임워크

기존의 로고 탐지 모델 (YOLO 등) 은 추상적인 Trade Dress 를 인식하지 못하므로, 새로운 평가 지표를 제안했습니다.

1. 브랜드 존재 점수 (Brand Presence Score, $B$):
   • VLM 기반 평가: Qwen3-VL-8B-Thinking 모델을 사용하여 이미지가 특정 브랜드인지, 아니면 'NO_BRAND'인지 분류합니다.
   • Chain-of-Thought 활용: 모델이 로고뿐만 아니라 디자인 언어, 실루엣, 색감 등 암시적 Trade Dress까지 고려하여 판단하도록 유도합니다.
   • YOLO 대비 우위: YOLO 는 명시적 로고 탐지는 잘하지만, Trade Dress(예: BMW 그릴 모양) 를 인식하지 못해 오탐지 (Hallucination) 가 많거나 일반 객체를 브랜드로 오인하는 경향이 있었습니다. 반면, 추론 능력을 갖춘 VLM 은 이를 정확히 구분했습니다.
2. 시각 유사도 점수 (Visual Similarity Score, $S$):
   • 객체의 의미와 구조가 유지되었는지 평가합니다.
   • 2 단계 평가:
     1. CLIP 모델을 사용하여 원본과 제거된 이미지의 시맨틱 유사도 임계값을 통과하는지 확인 (할루시네이션 방지).
     2. VLM 에게 두 이미지를 비교하게 하여, 로고 제거 여부는 무시하고 객체의 기하학적 구조와 배치가 유지되었는지에 대한 점수 (0~10) 를 부여합니다.
3. Unbranding 품질 점수 (Unbranding Quality Score, $U$):
   • $U = \alpha \cdot S + \beta \cdot (1 - B)$
   • 브랜드 제거율과 시각적 충실도를 균형 있게 평가하는 종합 지표입니다.

3. 주요 실험 결과 (Results)

• 모델 진화에 따른 위험 증가: 최신 모델 (FLUX.1, SD3.5) 이 구형 모델 (SD1.4) 보다 훨씬 정확하게 브랜드를 재생성합니다. 이는 브랜드 제거의 필요성이 더욱 절실해졌음을 시사합니다.
• 기존 Unlearning 방법의 실패:
  • 비효율적 제거: FMN, MACE 등의 방법은 브랜드 잔여물 (Brand Residual) 이 여전히 높게 나타났습니다.
  • 파괴적 삭제: ESD(Erased Stable Diffusion) 등의 방법은 브랜드를 제거하는 대신 이미지 전체의 구조를 붕괴시켜 시각적 유사도 ($S$) 를 급격히 떨어뜨렸습니다.
  • 성능 한계: 모든 평가된 방법 중 Unbranding 성공 점수 ($U$) 가 67% 를 넘지 못했습니다. (가장 높은 UCE 방법도 66.95%)
• VLM 평가의 우수성: Qwen3-VL-8B-Thinking 모델은 인간 어노테이터와의 상관관계가 0.816 으로 가장 높았으며, YOLO 기반 탐지기보다 Trade Dress 인식과 할루시네이션 억제 측면에서 월등히 우수함을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. Unbranding 작업 정의: 로고와 함께 암시적 구조적 특징 (Trade Dress) 을 제거하면서도 객체의 의미를 보존하는 새로운 생성형 AI 과제를 정립했습니다.
2. 첫 번째 벤치마크 및 평가 프레임워크: 12 개 브랜드를 대상으로 한 대규모 데이터셋과, VLM 기반의 정교한 평가 지표 ($B, S, U$) 를 제안했습니다.
3. 현실적 문제의식 고취: 최신 고충실도 모델일수록 브랜드 복제 능력이 뛰어나며, 기존 개념 삭제 기술로는 이 문제를 해결할 수 없음을 실험적으로 증명했습니다.

5. 의의 및 결론 (Significance)

이 논문은 생성형 AI 의 상업적 배포와 지적재산권 보호에 있어 **브랜드 안전 (Brand Safety)**이 핵심 과제임을 강조합니다. 단순히 로고를 지우는 것을 넘어, 브랜드의 시각적 정체성 전체를 해체하면서도 객체의 본질을 보존하는 정밀한 분해 (Fine-grained Disentanglement) 기술의 필요성을 제기했습니다. 현재 존재하는 Unlearning 기술로는 이 과제를 해결할 수 없으므로, 향후 연구가 필요한 새로운 영역임을 명확히 했습니다.

요약: 이 연구는 "로고만 지우는 게 아니라 브랜드의 전체적인 느낌 (디자인, 형태) 까지 지우되, 물체 자체는 그대로 남겨야 한다"는 난해한 문제를 **'Unbranding'**으로 정의하고, 이를 평가하기 위해 생각하는 능력 (Chain-of-Thought) 이 있는 VLM을 활용한 새로운 평가 체계를 구축했습니다. 실험 결과, 현재 존재하는 모든 기술이 이 과제를 해결하지 못하며, 특히 최신 모델일수록 이 문제가 더 심각해짐을 보여주었습니다.