본 논문은 이미지 생성 모델의 확산과 널리 퍼진 적용으로 인해 데이터 프라이버시 및 콘텐츠 안전에 대한 우려가 커짐에 따라 이미지 생성 모델 언러닝(IGMU)의 중요성을 강조합니다. 기존 IGMU 연구의 과제로는 명확하지 않은 작업 구분 및 언러닝 가이드라인, 효과적인 평가 프레임워크 부족, 신뢰할 수 없는 평가 지표 등을 지적하며, 이러한 문제점을 해결하기 위해 세 가지 주요 기여를 제시합니다. 첫째, IGMU 알고리즘 설계 및 테스트베드 구축을 돕는 계층적 작업 분류 프레임워크인 CatIGMU를 제안합니다. 둘째, 다섯 가지 중요한 측면에 걸쳐 신뢰할 수 있는 정량적 지표를 포함하는 포괄적인 평가 프레임워크인 EvalIGMU를 제시합니다. 셋째, IGMU의 광범위한 평가, 판단을 위한 콘텐츠 검출기 훈련, 최첨단 언러닝 알고리즘의 벤치마킹에 사용할 수 있는 고품질 언러닝 데이터셋인 DataIGM을 구축합니다. EvalIGMU와 DataIGM을 사용하여 기존 대부분의 IGMU 알고리즘이 특히 보존 및 견고성 측면에서 다양한 평가 차원에서 언러닝을 제대로 처리하지 못한다는 것을 발견했습니다.
