저작권 애니메이션 캐릭터에 ‘비밀 정체’ 부여하기

중국에서 나온 새로운 연구는 저작권 애니메이션 캐릭터를 보호하기 위한 비침습적인 방법을 제시하고 있습니다. 즉, 추론 시간에 일반적인 대체물을 삽입하는 것입니다. 그러나 이 방법이 프롬프터의 지능을 물리칠 수 있을까요?

저작권 물질이大量으로 존재하는 대규모 데이터 세트(저작권 물질을 제거하기 위한 비용이 너무 높기 때문)를 사용하여 훈련된 모델은 저작권 캐릭터를 재생산할 수 있습니다.

모델의 직접적인 편집 또는 모델에 접근할 때 키워드를 차단하는 필터를 사용하는 것은 종종 저작권 요소를 간접적으로 설명함으로써 무효화될 수 있습니다.

인기 있는 AI 채팅봇에서 직접 캐릭터 이름을 호출하지 않고 생성된 저작권 캐릭터. 출처

연구의 강력한 흐름에서 모델 수정 기술은 훈련된 모델의 매개변수를 변경하여 저작권 물질을 제거하려고 시도했습니다.

2023년 논문 ‘텍스트-이미지 확산 모델에서 개념 삭제’에서, 확산 모델에 내장된 ‘캡틴 마블’의 포토 리얼리스틱 표현은 사용자의 요청에 따라 카툰 이미지를 생성합니다. 출처

그러나 삭제는 일반적으로 유해하고 비정확한 과정이며, 모델의 다른 특성을 자주 영향을 줄 수 있습니다. 또한 이를 우회하는 여러 방법이 있습니다.

또 다른 인기 있는 접근 방식은 ‘부정적 프롬프트’입니다. 여기서 모델에 추가적인 ‘반대 프롬프트’가 전송되어 출력을 제한하도록 설계됩니다. 그러나 이 접근 방식은 항상 작동하지 않습니다.

바디 더블

이러한 점을 고려하여 중국의 새로운 논문은 이미지 생성 중에 저작권 애니메이션 캐릭터를 대체하는 방법을 제안합니다. 즉, ‘배우기 위한 일반적인 대체물’을 삽입하여 캐릭터의 모양과 구조를 유지하면서 식별 가능한 세부 사항을 제거합니다.

새로운 임베딩 방법을 사용하여 훈련된 모델에서 접근 가능한 저작권 물질의 ‘匿名화’된 표현. 출처

중요한 점은 bahwa이 개입은 모델의 수정 없이 발생하며, 원래 캐릭터가 얼마나 제거될지 결정할 수 있습니다.

이 접근 방식은 모델 수정이 이 목적에 적합하지 않다는 것을 암시하며, 대신 추론 프로세스에 ‘공학적으로 설계된 임베딩’을 삽입합니다. 이러한 임베딩은 ‘리팩토링’하는 것보다 ‘제거’하는 것을 목표로 합니다.

이 프로세스는 모델을 수정하지 않고, 기존 모델에 재사용하거나 적용할 수 있습니다.

이 방법은 오래된 스테이블 확산 모델과 최신 Z-Image 아키텍처에서 테스트되었습니다.

논문은 다음과 같이 말합니다.

‘[우리는] 생성 중에 대상 캐릭터를 삭제하기 위한 제어 가능한 방법을 제안합니다. 우리는 구조적 및 세부적인 제약 조건을 사용하여 캐릭터 대리자를 최적화하고, 구조 인식 전략을 사용하여 대상 관련 임베딩을 대리자로 대체합니다.

‘실험 결과, 우리의 방법은 상태 오프 더 아트의 삭제 효과와 이미지 충실도 보존을 달성하며, 제어 가능한 삭제 정도, 다중 대상 제거 및 모델 전송 가능성을 지원합니다.

‘さらに, 우리의 최적화된 앵커는 현재 모델 수정 기준선과 함께 플러그 앤 플레이 방식으로 작동하여 삭제 성능을 개선합니다.’

저자들의 방법은 다양한 아키텍처를 지원하며 세부적인 제어가 가능합니다.

이 새로운 논문은 ‘Erase but Preserve: Controllable Removal of Copyrighted Animation Characters via Optimized Semantic Anchors’라는 제목으로, 중국과학원 정보공학연구소와 北京의 중국과학원대학교의 7명의 저자에 의해 작성되었습니다.

방법

새로운 방법의 핵심 아이디어는 각 저작권 캐릭터에 대한 대체물을 생성하여 캐릭터의 모양과 구조를 유지하면서 식별 가능한 세부 사항을 제거하는 것입니다.

새로운 접근 방식의 스키마.

대체물, 즉 ‘앵커’는 원래 캐릭터의 모양과 구조를 유지하면서 식별 가능한 세부 사항을 제거하도록 설계되었습니다.

이것을 달성하기 위해 시스템은 원래 캐릭터에 대한 粗구조 정보와 앵커에 대한 粗구조 정보를 비교하여 두 가지를 유사한 형태로 만듭니다. 그런 다음 저작권 캐릭터의 참조 이미지를 사용하여 앵커를 원래 캐릭터의 식별 가능한 세부 사항으로부터 멀어지게 합니다.

저작권 캐릭터의 대체물을 생성하기 위한 방법. 캐릭터의 구조는 유지되며, 식별 가능한 세부 사항은 제거됩니다.

앵커 어웨이

이러한 속성이 설정되면, 앵커를 모델이 이해할 수 있는 형태로 변환해야 합니다. ‘앵커*’라는 용어는 CLIP 텍스트 인코더 내에서 학습 가능한 표현을 가지게 됩니다.

이 새로운 표현은 구조적 및 세부적인 목표에 따라 반복적으로 조정됩니다. 이를 통해 ‘앵커*’는 원래 캐릭터의 모양과 구조를 유지하면서 식별 가능한 세부 사항을 제거한 것을 의미하도록 학습됩니다.

적응적 대체

추론 중에 알고리즘은 인코딩된 프롬프트에서 대상 캐릭터와 관련된 용어를 검색하고, 학습된 앵커 임베딩으로 대체합니다.

이를 준비하기 위해 시스템은 먼저 노이즈 제거를 통해 요청된 이미지의粗구조를 설정합니다.

이미지 생성 중에 앵커 대체가 발생하는 시점의 표현.

데이터 및 테스트

저자들은 5개의 프롬프트 기반 기준선과 비교했습니다.

최적화된 앵커 임베딩은 4개의 기존 모델 수정 방법에 통합되었습니다.

평가를 위해 80개의 애니메이션 캐릭터로 구성된 데이터 세트가 생성되었습니다.

각 캐릭터에 대해 100개의 이미지가 생성되었습니다.

Stable Diffusion v1.4를 사용하여 실험을 수행했습니다.

저자들은 다음과 같이 말합니다.

‘우리의 방법은 모든 기준선보다 낮은 정확도를 달성하며, LLaVA-1.5의 경우 6.0%, BLIP-3의 경우 4.0%입니다. 이는 각각 3.5% 및 1.7%의 감소입니다.

‘이것은 우리의 방법이 효과적으로 삭제한다는 것을 보여줍니다.’

세부적인 제어

연속적인 임베딩 공간을 사용하면 캐릭터 제거의 강도를 조정할 수 있습니다.

앵커와 원래 대상 임베딩 사이를 보간함으로써, 방법은 캐릭터의 더 많은 부분을 점진적으로 복원할 수 있습니다.

캐릭터 제거의 다른 정도를 보여주는 테스트 이미지.

결론

이 새로운 접근 방식은 저작권 애니메이션 캐릭터를 대체하는 방법을 제안합니다. 그러나 이 방법이 프롬프터의 지능을 물리칠 수 있을까요?

이 새로운 방법은 일부 경우에서 제한적인 성공을 달성할 수 있지만, 모델의 내부 구조와 프롬프터의 지능을 고려할 때, 저작권 물질이 여전히 접근 가능할 수 있습니다.

첫 번째로 게시된 날: 2026년 8월 14일