기술 요약: 4chan에서의 AI 누디피케이션(Nudification) 콘텐츠, 기술 및 커뮤니티 역학 특성 분석

문제 정의

흔히 "AI 누디피케이션"이라 불리는 합성 비동의 성적 노출 AI 생성 이미지(SNEACI)는 생성형 AI와 관련된 심각한 위해 요소입니다. 기존 연구들은 주로 유명인을 대상으로 하는 전용 마켓플레이스(예: MrDeepFakes)나 모델 저장소에 집중해 왔으나, 이러한 연구들은 높은 기술적 장벽(예: 전문 지식이 필요한 페이스 스왑 도구)과 유명인 중심의 타겟팅이 지배적인 환경을 관찰했습니다. 그러나 확산 기반(diffusion-based) 이미지 및 비디오 생성 모델의 급격한 성숙은 이러한 기술적 장벽을 낮추어, 위협의 양상이 사용자의 사회적 관계 내 비유명인 개인으로 이동할 가능성을 높였습니다. SNEACI가 활발하게 요청, 생성 및 교환되는 구체적인 생태계, 즉 "야생(in the wild)"에서의 실태는 아직 탐구되지 않은 영역입니다. 본 논문은 익명 콘텐츠 커뮤니티에서 발생하는 SNEACI의 규모, 타겟 인구 통계, 기술적 공급망 및 사회적 역학에 대한 이해의 공백을 다룹니다.

방법론

저자들은 41일간(2026년 1월 27일 ~ 3월 8일) 4chan의 "Adult Requests" 게시판에 대해 대규모 경험적 측정 연구를 수행했습니다.

데이터 수집:

• 범위: 3,661개의 스레드, 80,366개의 포스트, 49,874개의 미디어 파일(이미지 및 비디오)을 포함합니다.
• 플랫폼 선정: 4chan은 비상업적 성격, 타겟 제한의 부재(유명인 중심 마켓플레이스와 대조됨), 그리고 요청-이행(request-fulfill) 상호작용 모델을 갖추고 있어 선정되었습니다.

탐지 파이프라인:
원시 미디어로부터 SNEACI를 식별하기 위해 다단계 자동화 프레임워크를 개발했습니다:

1. NSFW 필터링: 이진 분류기(Falconsai)를 사용하여 성적으로 노골적인 콘텐츠를 필터링하고, 안전한(SFW) 소스 이미지 및 밈을 제거했습니다.
2. AIGC 탐지: Hive AI 탐지기를 통해 완전 합성 이미지(장면 합성, Scene Synthesis)를 식별했습니다.
3. 언드레스(Undress) 탐지: 미세 조정된 커스텀 ViT-Base 분류기를 사용하여 의복은 제거되었으나 배경/얼굴은 실제 상태를 유지하는 부분 수정 이미지(Undress 이미지)를 식별했습니다. 이는 AIGC 탐지기가 부분 편집에서 실패하는 간극을 해결합니다.
4. 비디오 처리: 무작위 샘프(200개 비디오)에 대한 수동 검사를 통해 98% 이상이 AI 생성 성적 콘텐츠임을 확인했습니다. 결과적으로 성공적으로 처리된 모든 비디오는 SNEACI로 간주되었습니다.
5. 타겟 분류: gemini-3-flash-preview를 사용하는 듀얼 에이전트 시스템을 통해 타겟을 "유명인"(팔로워 1만 명 이상의 공인/인플루언서) 또는 "비유명인"으로 분류했습니다.

상호작용 분석:

• 요청/응답 매칭: "요청 탐지기(Request Detector)"는 SNEACI를 요청하는 포스트를 식별했습니다. "응답 매처(Response Matcher)"는 얼굴 인식(Insight-Face)과 개체명 추출을 사용하여 스레드 내에서 요청과 그에 대응하는 SNEACI 출력물을 연결했습니다.
• 제공자 식별: "활성 제공자(Active Providers)"는 5개 이상의 SNEACI 항목을 게시한 비익명 사용자로 정의되었습니다.

주요 기여 및 결과

1. 타겟 인구 통계의 변화 (RQ1)

유명인이 지배적이라는 기존 연구와 달리, 본 연구는 비유명인 타겟으로의 유의미한 변화를 발견했습니다:

• 비유명인: 전체 SNEACI 타겟의 **55.78%**를 차지합니다.
• 비디오: 비디오 콘텐츠에서 이러한 변화가 더 두드러지며, 비유명인이 타겟의 **60.26%**를 구성합니다.
• 가시성 편향: 저자들은 비유명인들이 타겟 분산, 제한된 전파(콘텐츠가 원래 스레드를 거의 벗어나지 않음), 유명인 사건 대비 낮은 대중적 관심으로 인해 이전에는 간과되었다고 주장합니다.
• 동인: 이러한 변화는 기술적 장벽의 완화(단일 이미지 생성)와 "요청-이행" 역학에 의해 주도되며, 이는 지인(acquaintances)을 타겟팅하려는 의도를 드러냅니다.

2. 기술적 공급망 (RQ2)

이 생태계는 안전 가드레일이 없는 오픈 소스 모델에 크게 의존하고 있습니다:

• 이미지 생성: Stable Diffusion 제품군(SDXL 및 Stable Diffusion)이 장면 합성 이미지의 **42.4%**를 생성합니다.
• 비디오 생성: Wan 모델이 AI 생성 비디오의 **66.5%**를 차지합니다.
• 공유 자원: 커뮤니티는 4,216개의 모델 링크를 유통하며, 여기에는 1,451개의 NSFW 모델이 포함됩니다. 이 중 **98.6%**의 정체성 특정 LoRA는 여성 유명인을 타겟으로 합니다.
• 지속성: 공유된 NSFW 모델의 **99.6%**는 Hugging Face나 Civitai 같은 플랫폼에서 유래되었으며, **63.0%**는 원본 소스에서 삭제되었으나 대체 아카이브를 통해 여전히 접근 가능합니다. 이는 영구적 제거의 어려움을 보여줍니다.
• 접근성: SDXL 및 Wan을 위한 튜토리얼과 가이드는 엔드 투 엔드 워크플로우를 제공하여 머신러 학습 전문 지식의 필요성을 줄여줍니다.

3. 생태계 역학 (RQ3)

커뮤니티는 뚜렷한 사회적 역할을 가진 요청-이행 모델로 운영됩니다:

• 수요: 16,876개의 요청이 식별되었습니다. **74.75%**는 비유명인을 타겟으로 했고, **25.25%**만이 유명인을 타겟으로 했습니다.
• 응답률: 전체 응답률은 **22.60%**였습니다. 비유명인 요청은 요청당 응답률은 약간 낮았지만, 절대적인 응답 수(2,740개)는 유명인 요청(1,074개)보다 많았습니다.
• 활성 제공자: 61명의 활성 제공자(비익명 사용자)라는 소수 집단이 모든 SNEACI의 **20.66%**를 생성했습니다. 최상위 제공자는 780개의 항목을 생성했습니다.
• 생태계 설계자(Architects): 이들 활성 제공자는 단순한 콘텐츠 제작 이상의 역할을 수행합니다:
  • 수요 촉진: 이들의 존재와 스레드 생성은 요청량을 직접적으로 급증시킵니다.
  • 해악 증폭: 이들은 게이트키퍼 역할을 하며, 타겟을 비유명인(IRL, 현실 인물)으로 제한하고 요청자에게 개인적 관계를 공개하도록 요구하는 규칙을 설정함으로써 공모와 해악을 심화시킵니다.
  • 새로운 제공자 육성: 이들은 하드웨어, 프롬프트, LoRA 학습 등 기술적 지식을 공유하여 생태계의 자가 지속을 보장합니다.

의의 및 시사점

본 논문은 SNEACI의 생태계를 유지하는 메커니즘을 밝혀냄으로써, 야생에서의 AI 누디피케이션에 대한 최초의 대규모 경험적 특성화를 제공한다고 주장합니다:

1. 위협의 재정의: 본 연구는 AI 누디피케이션이 주로 유명인의 문제라는 서사에 도전합니다. 기술이 자신의 사회적 관계 내 사람들을 타겟팅할 수 있을 만큼 접근 가능해짐에 따라, 일반 개인들도 상당하고 인지되지 않은 위험에 직면해 있음을 입증합니다.
2. 공급망 취약성: 안전 가드레일이 없는 오픈 소스 모델(Stable Diffusion, Wan)의 지배력은 모델 개발 및 배포 단계에서의 강력한 안전장치의 시급성을 강조합니다.
3. 거버넌스 과제: 모델 저장소, 콘텐츠 전달, 프라이빗 커뮤니티를 아우르는 다중 플랫폼 성격의 공급망은 단일 플랫폼(4chan 등)에 대한 모더레이션만으로는 불충분함을 시사합니다. 효과적인 개입을 위해서는 모델 저장소, 콘텐츠 전달 네트워크, 프라이빗 커뮤니티 간의 조율된 행동이 필요합니다.
4. 정책적 시급성: 비유명인 타겟의 보편성은 공인 보호를 넘어 이미지 기반 학대의 광범위한 위험을 다루는 입법적 주의를 필요로 합니다.

저자들은 이 생태계를 무너뜨리기 위해서는 플랫폼 거버넌스, 오픈 소스 AI의 기술적 안전장치, 법적 보호를 포함한 다각적인 접근 방식이 필요하다고 결론짓습니다.