LU-500: 개념 삭제를 위한 로고 벤치마크

LU-500: A Logo Benchmark for Concept Unlearning

개념 삭제는 텍스트-이미지 모델에서 보호되거나 위험한 시각적 요소를 제한하는 데 점점 더 많이 사용되고 있습니다. 그러나 기존의 평가는 주로 스타일, 광범위한 객체 범주 또는 인물과 같은 전체 이미지에 지배적인 요소들을 대상으로 합니다. 반면, 기업 로고는 상대적으로 덜 연구되었습니다. 로고는 다른 유형의 문제를 야기합니다. 작은 영역에 위치한 마크 하나가 전체 보호 개념을 나타낼 수 있으며, 인식 가능성을 유지하려면 시각적으로 정밀해야 하고, 제품, 상점, 포장 또는 광고에서 암묵적으로 트리거될 수 있습니다. 본 연구에서는 Fortune Global 500 기업의 로고를 사용하여 이러한 국소적이고 의미적으로 복잡한 환경을 연구하기 위한 로고 삭제 벤치마크인 LU-500을 소개합니다. LU-500은 약 1만 개의 큐레이션된 텍스트-쿼리와 로고 이미지 쌍으로 구성되어 있으며, 명시적인 추적(LUex-500)과 암묵적인 문맥 추적(LUim-500)을 포함합니다. 이 연구는 과제를 단순한 바이너리 감지기로 줄이는 것을 방지하기 위해 픽셀 및 잠재 공간에서 로고 제거와 전체 이미지 보존 모두를 평가하는 다단계 프로토콜을 정의했습니다. NP, SLD, SEGA와 같은 대표적인 추론 시간 방법과 ESD 및 Forget-Me-Not과 같은 호환 가능한 미세 조정 기반 방법을 사용하여 실험한 결과, 평 가 대상 방법들은 타겟이 아닌 콘텐츠를 변경하지 않고 로고의 흔적을 제거하는 데 어려움을 겪는 것으로 나타났습니다. 또한, 프롬프트 공간 다중 에이전트 기준인 ProLU를 분석했습니다. ProLU는 로고 유발 의미를 제거하여 국소적인 삭제를 개선하지만, 프롬프트 필터링이 가중치 수준의 분리화를 대체할 수 없음을 보여줍니다. 로고 영역, 위치 및 구조적 복잡성에 대한 상관 관계 분석 결과, 향후 로고 삭제 연구에서는 SSIM 기반 제약과 같은 공간 인지 제어가 필요할 수 있으며, 단순히 전체 개념을 억제하는 것만으로는 충분하지 않을 수 있습니다.

Concept unlearning is increasingly used to limit the reproduction of protected or unsafe visual concepts in text-to-image models. Existing evaluations, however, mostly study targets that dominate the whole image, such as styles, broad object categories, or portrait-like identities, leaving company logos comparatively underexamined. Logos create a different failure mode: a small localized mark can carry the entire protected concept, must be visually precise to remain recognizable, and can be triggered implicitly by products, storefronts, packaging, or advertisements even when the word ``logo'' is absent. We introduce LU-500, a logo-unlearning benchmark built from Fortune Global 500 companies to study this localized and semantically entangled setting. LU-500 contains nearly 10,000 curated text-query and logo-image pairs, with an explicit track (LUex-500) and an implicit contextual track (LUim-500). To avoid reducing the task to a binary detector score, we define a multi-grained protocol that evaluates both local logo removal and global image preservation in pixel and latent spaces. Experiments on representative inference-time methods, including NP, SLD, and SEGA, and compatible fine-tuning-based methods such as ESD and Forget-Me-Not, show that the evaluated methods struggle to remove logo evidence without changing non-target content. We further analyze ProLU, a prompt-space multi-agent baseline: it improves local erasure by removing logo-inducing semantics, but also illustrates why prompt filtering is not a substitute for weight-level disentanglement. Correlation analyses over logo area, location, and structural complexity suggest that future logo unlearning may need spatially aware controls, such as SSIM-guided constraints, rather than purely global concept suppression.