💻 computer science

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

Deze paper introduceert 'unbranding', een nieuwe taak en benchmark voor het verwijderen van zowel expliciete handelsmerken als subtiele structurele kenmerken van merken uit tekst-naar-beeld generatiemodellen, terwijl de semantische coherentie behouden blijft.

Oorspronkelijke auteurs: Dawid Malarz, Filip Manjak, Maciej Zięba, Przemysław Spurek, Artur Kasymov

Gepubliceerd 2026-03-31

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Dawid Malarz, Filip Manjak, Maciej Zięba, Przemysław Spurek, Artur Kasymov

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Van "Onthouden" naar "Ontmerken": Een Nieuwe Uitdaging voor AI

Stel je voor dat je een kunstenaar hebt die zo goed is dat hij elke foto, elk schilderij en elk object uit de wereld kan nabootsen. Hij kan een Coca-Cola-fles tekenen die er precies uitziet als het echte ding, inclusief het rode etiket en het bekende logo. Maar hier zit een probleem: als deze kunstenaar een fles tekent voor een reclame, mag hij het logo niet zomaar kopiëren. Dat is auteursrechtelijk verboden.

Deze paper introduceert een nieuw probleem en een nieuwe oplossing, die ze "Unbranding" (ontmerken) noemen.

Hier is de uitleg in simpele taal, met wat creatieve vergelijkingen:

1. Het Probleem: De "Verkeerde" Kunstenaar

Vroeger waren AI-kunstenaars (zoals de eerste versies van Stable Diffusion) een beetje slordig. Als je ze vroeg om een Coca-Cola te tekenen, kwam er vaak een vage, vervormde fles uit met rare letters. Dat was eigenlijk toevallig veilig, omdat ze het merkteken niet goed konden nabootsen.

Maar de nieuwe AI's (zoals FLUX en SDXL) zijn te goed. Ze kunnen het logo, de vorm van de fles, en zelfs de specifieke rode kleur zo perfect nabootsen dat het lijkt op een echte foto. Dit is gevaarlijk voor bedrijven, want je kunt niet zomaar een AI laten tekenen dat een Coca-Cola-fles in brand staat of dat een hacker een Apple-laptop gebruikt. Dat mag niet.

2. De Oude Oplossing: De "Sloopmachine"

Er waren al methoden om AI's te leren bepaalde dingen te "vergeten" (dit noemen ze Unlearning). Maar die werkte als een sloopmachine.

Voorbeeld: Als je de AI vraagt om "geen Coca-Cola" meer te maken, leert de AI dat hij helemaal geen flessen meer mag tekenen.
Het resultaat: Je krijgt een lege ruimte of een raar object. De AI heeft het concept van de fles vergeten, niet alleen het logo. Dat is niet wat we willen. We willen een fles, maar dan zonder het merk.

3. De Nieuwe Oplossing: "Ontmerken" (Unbranding)

De auteurs van dit paper zeggen: "We moeten de AI leren om schoon te maken, niet om te slopen."
Dit noemen ze Ontmerken.

De Analogie: Stel je voor dat je een auto hebt met een Ferrari-logo op de motorkap en de kenmerkende grille.
- Oude methode: Je verwijdert de hele auto.
- Nieuwe methode (Ontmerken): Je verwijdert het logo en de specifieke Ferrari-grille, maar je laat de auto staan. Het wordt nu een mooie, neutrale sportauto zonder merk.

Het lastige is dat een merk niet alleen uit een logo bestaat. Het zit ook in de vorm (de "trade dress"). Een Coca-Cola-fles heeft een heel specifieke vorm. Zelfs zonder het logo herken je hem. Een goede "ontmerker" moet dus niet alleen het logo wegvegen, maar ook die specifieke vorm iets veranderen, zodat het een gewone fles wordt.

4. De Nieuwe Test: De "Vijandige" AI

Hoe weet je of een AI goed is in ontmerken? Je kunt niet gewoon kijken met je ogen, want dat is te subjectief.
De auteurs hebben een slimme test bedacht met behulp van een super-slimme AI (een Vision Language Model, of VLM).

De Analogie: Stel je voor dat je een schilderij laat zien aan een zeer kritische kunstkenner. Je vraagt hem: "Zie je hier nog een Coca-Cola?"
De AI-kunstkenner kijkt niet alleen naar het logo, maar ook naar de vorm van de fles, de kleur en de stijl. Als de AI zegt: "Ja, dit is nog steeds een Coca-Cola, ook al ontbreekt het logo," dan is de ontmerking mislukt.
Als de AI zegt: "Nee, dit is gewoon een rode fles," dan is het gelukt.

Ze hebben ook een "schoonheidsconcurrentie" toegevoegd: de AI moet de fles niet alleen van het merk ontdoen, maar hij moet er ook nog mooi uitzien. Als de fles eruitziet als een gesmolten kaars, is het ook geen goed resultaat.

5. Wat Vonden Ze?

De resultaten zijn eerlijk maar zorgwekkend:

De nieuwe, slimme AI's maken merken te goed.
De huidige methoden om merken te verwijderen zijn nog niet goed genoeg.
- Of ze verwijderen het logo niet (de fles is nog steeds een Coca-Cola).
- Of ze verwijderen het logo wel, maar maken de fles er lelijk en onherkenbaar van (de fles is kapot).

Conclusie

Dit paper zegt eigenlijk: "We hebben een nieuw soort puzzel." We moeten AI's leren om merken te ontdoen zonder de objecten kapot te maken. Het is alsof je een tatoeage moet verwijderen van iemand zonder de huid eronder te beschadigen.

De auteurs hebben een nieuwe "speelplaats" (een benchmark) gemaakt waar onderzoekers hun AI's kunnen testen. Tot nu toe heeft niemand de puzzel goed opgelost, maar nu weten we precies wat er moet gebeuren. Het is een noodkreet voor de toekomst van veilige en legale AI-kunst.

Probleemstelling

De snelle vooruitgang van tekst-naar-beeld diffusiemodellen (zoals Stable Diffusion, SDXL en FLUX) heeft nieuwe risico's opgeleverd voor intellectueel eigendom. Deze modellen reproduceren onbedoeld handelsmerken (trademarks), inclusief logo's, maar ook subtiele structurele kenmerken die uniek zijn voor een merk (de zogenaamde "trade dress", zoals de vorm van een Coca-Cola-fles of de "kidney grille" van BMW).

Bestaande methoden voor concept-unlearning (het verwijderen van concepten uit een model) zijn ontoereikend voor dit probleem omdat ze:

Te grof zijn: Ze verwijderen vaak het hele object in plaats van alleen de merkidentiteit (bijv. een auto wordt niet meer gegenereerd in plaats van een ongemarkeerde auto).
Alleen gericht zijn op expliciete logo's en niet op abstracte handelskleding (trade dress).
De semantische coherentie van het gegenereerde beeld niet behouden.

Het paper introduceert daarom Unbranding: een nieuw, fijnmazig taakgebied waarbij het doel is om merkgerelateerde elementen (zowel logo's als structurele kenmerken) te verwijderen terwijl de onderliggende objecten en hun semantische betekenis intact blijven.

Methodologie

1. Definitie van Unbranding

In tegenstelling tot unlearning, waarbij de kans op het genereren van een concept $c$ naar nul wordt gebracht ( $p(x|p) \approx 0$ als $h_c(x)=1$ ), is unbranding een transformatie. Het doel is een nieuwe verdeling te leren waarbij, als een merk wordt gedetecteerd ( $h_b(x)=1$ ), een functie $\psi$ wordt toegepast die het beeld omzet in een ongemarkeerde versie $\psi(x)$ , zonder de semantische inhoud te verliezen.

2. Het Benchmark Dataset

De auteurs hebben een nieuw dataset samengesteld voor het evalueren van unbranding:

Omvang: 1.759 prompts gericht op 12 populaire merken (o.a. Coca-Cola, BMW, Apple, Nike) verdeeld over 6 domeinen (luchtvaart, auto's, dranken, fast food, sportkleding, technologie).
Opbouw: De dataset bevat zowel expliciete prompts (bijv. "een BMW-auto") als impliciete, vooroordelende prompts (bijv. "een Duitse auto") om te testen of modellen op basis van structurele kenmerken merken reproduceren.
Validatie: Baseline-generaties werden handmatig gecontroleerd om te garanderen dat ze herkenbare merkkenmerken bevatten.

3. Evaluatie Framework

Omdat bestaande merkdetectoren (zoals YOLO) vaak falen bij het herkennen van abstracte trade dress, introduceren de auteurs een hybride evaluatiemethode:

Brand Presence Score (B): Gebruikmakend van Vision Language Models (VLMs), specifiek Qwen3-VL-8B-Thinking. Dit model gebruikt "Chain-of-Thought" redenering om zowel expliciete logo's als impliciete structurele kenmerken te analyseren. Het model moet een merk labelen of "NO_BRAND" kiezen.
Visual Similarity Score (S): Om te meten of het object behouden blijft. Dit combineert een CLIP-model (voor grove semantische filtering) met een VLM die een gedetailleerde vergelijking maakt tussen het origineel en het "unbranded" beeld, waarbij logo-verwijdering niet als fout wordt gezien.
Unbranding Quality Score (U): Een gewogen som van semantische behoud en merkonderdrukking: $U = \alpha \cdot S + \beta \cdot (1 - B)$ .

4. Experimenten

De auteurs testten diverse bestaande unlearning-methoden (zoals ESD, MACE, FMN, RECE) op verschillende architecturen (SD 1.4, SDXL, FLUX.1-dev). Ze vergeleken ook VLMs met gespecialiseerde YOLO-detectoren die handmatig waren getraind op logo's en trade dress.

Belangrijkste Resultaten

Afwijzing van Bestaande Methoden: Geen enkele bestaande unlearning-methode lost het unbranding-probleem effectief op.
- Methoden die merken goed verwijderen (zoals ESD), vernietigen vaak de semantische structuur van het object (bijv. een auto wordt een onherkenbare vorm).
- Methoden die de structuur behouden, laten vaak het logo of de merkkenmerken intact.
- De beste score (UCE op SDXL) bedroeg slechts 66,95% op de Unbranding Quality Score, wat aangeeft dat er nog veel ruimte voor verbetering is.
Toename van Risico met Nieuwe Modellen: Nieuwere, hogere-fideliteit modellen (zoals FLUX en SD3.5) reproduceren merken aanzienlijk nauwkeuriger dan oudere modellen (SD 1.4). De "Brand Presence Score" steeg van 0,49 (SD 1.4) naar 0,75 (SD 3.5), wat de urgentie van het probleem onderstreept.
Superioriteit van VLMs met Redenering: De studie toont aan dat VLMs met "Chain-of-Thought" redenering (Qwen3-VL-8B-Thinking) superieur zijn aan gespecialiseerde YOLO-detectoren.
- YOLO-detectoren hebben moeite met abstracte trade dress en generaliseren slecht.
- VLMs kunnen zowel logo's als structurele kenmerken (zoals de grille van een BMW) correct identificeren en hebben een lagere hallucinatiekans op niet-gemarkeerde beelden.
Trade-off: Er is een duidelijke spanning tussen het verwijderen van branding en het behoud van de visuele coherentie. Bestaande methoden kunnen deze twee doelen niet gelijktijdig optimaliseren.

Bijdragen

Definitie van Unbranding: Het formaliseren van unbranding als een distincte taak die fijnmazige disentanglement vereist tussen merkidentiteit en objectsemantiek.
Eerste Benchmark: Het creëren van een uitgebreide dataset met 12 merken en 6 domeinen, inclusief zowel expliciete als impliciete prompts.
Nieuw Evaluatiekader: Het introduceren van een VLM-gebaseerde evaluatiemethode die in staat is om abstracte handelskleding (trade dress) te detecteren, wat een gat in de bestaande literatuur opvult.
Empirisch Bewijs: Het aantonen dat huidige state-of-the-art unlearning-techniek onvoldoende zijn voor merkveilige generatieve AI, en dat nieuwere modellen het probleem verergeren door hogere reproduceerbaarheid van merken.

Betekenis en Impact

Dit paper is cruciaal voor de veilige implementatie van generatieve AI in commerciële en juridische contexten. Bedrijven hebben strikte richtlijnen voor hoe hun merken worden afgebeeld (bijv. geen auto-ongelukken voor Tesla, geen "hackers" met Apple-producten). Zonder effectieve unbranding kunnen generatieve modellen onbedoeld inbreuk maken op intellectueel eigendom of merkidentiteiten schaden.

De bevindingen tonen aan dat de gemeenschap zich moet verplaatsen van grove conceptverwijdering naar fijnmazige, semantisch bewuste manipulatie. De voorgestelde benchmark en evaluatiemethoden bieden een essentiële basis voor het ontwikkelen van toekomstige modellen die merkveilige content kunnen genereren zonder de creatieve kwaliteit of objectherkenning te verliezen.