論文の概要: ACE: Anti-Editing Concept Erasure in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2501.01633v1
• Date: Fri, 03 Jan 2025 04:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:11:41.511485
• Title: ACE: Anti-Editing Concept Erasure in Text-to-Image Models
• Title（参考訳）: ACE: テキスト・画像モデルにおける反編集概念の消去
• Authors: Zihao Wang, Yuxiang Wei, Fan Li, Renjing Pei, Hang Xu, Wangmeng Zuo,
• Abstract要約: 既存の概念消去手法は、削除された概念がプロンプトから生成されるのを防ぐために優れた結果が得られる。 本稿では、生成時にターゲット概念を消去するだけでなく、編集時に除去する反編集概念消去(ACE)手法を提案する。
• 参考スコア（独自算出の注目度）: 73.00930293474009
• License:
• Abstract: Recent advance in text-to-image diffusion models have significantly facilitated the generation of high-quality images, but also raising concerns about the illegal creation of harmful content, such as copyrighted images. Existing concept erasure methods achieve superior results in preventing the production of erased concept from prompts, but typically perform poorly in preventing undesired editing. To address this issue, we propose an Anti-Editing Concept Erasure (ACE) method, which not only erases the target concept during generation but also filters out it during editing. Specifically, we propose to inject the erasure guidance into both conditional and the unconditional noise prediction, enabling the model to effectively prevent the creation of erasure concepts during both editing and generation. Furthermore, a stochastic correction guidance is introduced during training to address the erosion of unrelated concepts. We conducted erasure editing experiments with representative editing methods (i.e., LEDITS++ and MasaCtrl) to erase IP characters, and the results indicate that our ACE effectively filters out target concepts in both types of edits. Additional experiments on erasing explicit concepts and artistic styles further demonstrate that our ACE performs favorably against state-of-the-art methods. Our code will be publicly available at https://github.com/120L020904/ACE.
• Abstract（参考訳）: 近年のテキスト・画像拡散モデルの進歩は、高品質な画像の生成を著しく促進してきたが、著作権のある画像などの有害なコンテンツの違法な作成への懸念も高まっている。 既存の概念消去手法は、削除された概念がプロンプトから生成されるのを防ぐために優れた結果をもたらすが、通常、望ましくない編集の防止には不十分である。 この問題に対処するために、生成時にターゲット概念を消去するだけでなく、編集時にフィルタリングする反編集概念消去法(ACE)を提案する。 具体的には、条件付きノイズ予測と非条件付きノイズ予測の両方に消去誘導を注入し、編集と生成の両方で消去概念の生成を効果的に防止することを提案する。 さらに,非関係概念の侵食に対処するため,トレーニング中に確率的補正ガイダンスを導入する。 我々は,IP文字を消去するために,代表編集手法(LEDITS++, MasaCtrl)を用いた消去編集実験を行った。 明示的な概念と芸術的スタイルの消去に関する追加実験は、私たちのACEが最先端の手法に対して好意的に機能することを示す。 私たちのコードはhttps://github.com/120L020904/ACEで公開されます。

関連論文リスト

• Fantastic Targets for Concept Erasure in Diffusion Models and Where To Find Them [21.386640828092524]
  概念消去は拡散モデルにおける有害なコンテンツ生成のリスクを軽減するための有望な手法として現れてきた。 本稿では,各望ましくない概念に合わせて最適な目標概念を動的に選択するAdaptive Guided Erasure (AGE)法を提案する。 その結果, AGEは, 有効消去性能を維持しつつ, 無関係な概念を保存し, 最先端の消去手法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-01-31T08:17:23Z)
• DuMo: Dual Encoder Modulation Network for Precise Concept Erasure [75.05165577219425]
  非ターゲット概念に対する最小限の障害を伴う不適切なターゲット概念の正確な消去を実現するDuMo(Dual Encoder Modulation Network)を提案する。 提案手法は, 明示的コンテンツ消去, カートゥーン概念除去, アーティスティックスタイル消去における最先端性能を実現し, 代替手法よりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-01-02T07:47:34Z)
• TraSCE: Trajectory Steering for Concept Erasure [16.752023123940674]
  テキスト・ツー・イメージ拡散モデルでは,NSFW(No-safe-for-work)画像のような有害なコンテンツを生成することが示されている。 本稿では, 拡散経路を有害な物質の発生から遠ざけるためのTraSCEを提案する。
  論文  参考訳（メタデータ） (2024-12-10T16:45:03Z)
• Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models [76.39651111467832]
  本稿では,Reliable and Efficient Concept Erasure (RECE)を提案する。 派生した埋め込みによって表現される不適切なコンテンツを緩和するために、RECEはそれらをクロスアテンション層における無害な概念と整合させる。 新たな表現埋め込みの導出と消去を反復的に行い、不適切な概念の徹底的な消去を実現する。
  論文  参考訳（メタデータ） (2024-07-17T08:04:28Z)
• Safeguard Text-to-Image Diffusion Models with Human Feedback Inversion [51.931083971448885]
  本稿では,Human Feedback Inversion (HFI) というフレームワークを提案する。 実験の結果,画像品質を維持しながら,好ましくないコンテンツ生成を著しく削減し,公的な領域におけるAIの倫理的展開に寄与することが示された。
  論文  参考訳（メタデータ） (2024-07-17T05:21:41Z)
• MACE: Mass Concept Erasure in Diffusion Models [11.12833789743765]
  我々は、マス・コンセプト・エミッションのタスクのための微調整・フレームワークであるMACEを紹介した。 このタスクは、トリガー時に不要な概念を具現化した画像が生成されるのを防ぐことを目的としている。 我々は,4つのタスクにまたがる先行手法に対して,MISを広範囲に評価する。
  論文  参考訳（メタデータ） (2024-03-10T08:50:56Z)
• Receler: Reliable Concept Erasing of Text-to-Image Diffusion Models via Lightweight Erasers [24.64639078273091]
  テキストから画像への拡散モデルにおける概念消去は、対象概念に関連する画像の生成から事前学習された拡散モデルを無効にすることを目的としている。 軽量エローザ(レセラー)による信頼性概念消去の提案
  論文  参考訳（メタデータ） (2023-11-29T15:19:49Z)
• Towards Safe Self-Distillation of Internet-Scale Text-to-Image Diffusion Models [63.20512617502273]
  テキストから画像への拡散モデルにおいて,問題のあるコンテンツ生成を防止するため,SDDと呼ばれる手法を提案する。 本手法は,画像の全体的な品質を劣化させることなく,生成した画像から有害なコンテンツをはるかに多く除去する。
  論文  参考訳（メタデータ） (2023-07-12T07:48:29Z)
• Towards Counterfactual Image Manipulation via CLIP [106.94502632502194]
  既存の方法は、顔画像の年齢や性別など、さまざまな視覚特性をリアルに編集することができる。 コントラスト・ランゲージ・イメージ・プレトレーニング(CLIP)を用いたテキスト駆動方式でこの問題を考察する。 定義済みのCLIP空間の方向を利用して、異なる視点から所望の方向に向けて編集を誘導する新しいコントラスト損失を設計する。
  論文  参考訳（メタデータ） (2022-07-06T17:02:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。