論文の概要: SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models

• arxiv url: http://arxiv.org/abs/2503.07392v2
• Date: Fri, 26 Sep 2025 04:49:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 14:23:57.275111
• Title: SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models
• Title（参考訳）: SPEED:拡散モデルのためのスケーラブルで高精度で効率的な概念消去
• Authors: Ouxiang Li, Yuan Wang, Xinting Hu, Houcheng Jiang, Tao Liang, Yanbin Hao, Guojun Ma, Fuli Feng,
• Abstract要約: モデルパラメータを直接編集する効率的な概念消去手法であるSPEEDを導入する。 Speedyは、パラメータ更新がターゲット以外の概念に影響しないモデル編集スペースであるnullスペースを検索する。 たった5秒で100のコンセプトを消去しました。
• 参考スコア（独自算出の注目度）: 56.83154571623655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Erasing concepts from large-scale text-to-image (T2I) diffusion models has become increasingly crucial due to the growing concerns over copyright infringement, offensive content, and privacy violations. In scalable applications, fine-tuning-based methods are time-consuming to precisely erase multiple target concepts, while real-time editing-based methods often degrade the generation quality of non-target concepts due to conflicting optimization objectives. To address this dilemma, we introduce SPEED, an efficient concept erasure approach that directly edits model parameters. SPEED searches for a null space, a model editing space where parameter updates do not affect non-target concepts, to achieve scalable and precise erasure. To facilitate accurate null space optimization, we incorporate three complementary strategies: Influence-based Prior Filtering (IPF) to selectively retain the most affected non-target concepts, Directed Prior Augmentation (DPA) to enrich the filtered retain set with semantically consistent variations, and Invariant Equality Constraints (IEC) to preserve key invariants during the T2I generation process. Extensive evaluations across multiple concept erasure tasks demonstrate that SPEED consistently outperforms existing methods in non-target preservation while achieving efficient and high-fidelity concept erasure, successfully erasing 100 concepts within only 5 seconds. Our code and models are available at: https://github.com/Ouxiang-Li/SPEED.
• Abstract（参考訳）: 大規模なテキスト・ツー・イメージ(T2I)拡散モデルによる概念の消去は、著作権侵害、攻撃的コンテンツ、プライバシー侵害に対する懸念が高まっているため、ますます重要になっている。 スケーラブルなアプリケーションでは、微調整ベースの手法は、複数のターゲット概念を正確に消去するのに時間を要するが、リアルタイム編集ベースの手法は、最適化目的の矛盾により、ターゲットでない概念の生成品質を劣化させることが多い。 このジレンマに対処するために、モデルパラメータを直接編集する効率的な概念消去手法であるSPEEDを導入する。 SPEEDは、パラメータ更新がターゲット以外の概念に影響を与えないモデル編集空間であるnullスペースを検索し、スケーラブルで正確な消去を実現する。 正確なヌル空間最適化を容易にするために、最も影響を受ける非ターゲット概念を選択的に保持するインフルエンスベース優先フィルタ(IPF)、意味的に一貫した変分でフィルタされた保持集合を拡張するためのディレクテッド事前拡張(DPA)、T2I生成過程におけるキー不変量を保存するための不変等式制約(IEC)の3つの補完戦略を組み込んだ。 複数の概念消去タスクにわたる広範囲な評価により、SPEEDは、効率よく高忠実な概念消去を実現し、100の概念をわずか5秒で消去することに成功した。 私たちのコードとモデルは、https://github.com/Ouxiang-Li/SPEED.comで利用可能です。

関連論文リスト

• Zero-Residual Concept Erasure via Progressive Alignment in Text-to-Image Model [15.636542463543066]
  概念消去は、事前訓練されたテキスト・ツー・イメージモデルがセマンティック・ハーミフルな概念に関連するコンテンツを生成するのを防ぐことを目的としている。 既存の手法は「非ゼロアライメント残差」による不完全消去をもたらすことが多い より完全な概念消去と全体的な生成品質の保存を目的とした,新しいクローズドフォーム手法であるEraseProを提案する。
  論文  参考訳（メタデータ） (2025-08-06T14:19:32Z)
• CURE: Concept Unlearning via Orthogonal Representation Editing in Diffusion Models [6.738409533239947]
  CUREは、事前訓練された拡散モデルの重み空間で直接動作する、トレーニング不要の概念未学習フレームワークである。 スペクトル消去器は、安全な属性を保持しながら、望ましくない概念に特有の特徴を特定し、分離する。 CUREは、対象とする芸術スタイル、オブジェクト、アイデンティティ、明示的なコンテンツに対して、より効率的で徹底的な除去を実現する。
  論文  参考訳（メタデータ） (2025-05-19T03:53:06Z)
• Fine-Grained Erasure in Text-to-Image Diffusion-based Foundation Models [56.35484513848296]
  FADE(Fine grained Attenuation for Diffusion Erasure)は、テキストから画像への生成モデルのための非学習アルゴリズムである。 関連する概念に最小限の影響で目標概念を排除し、最先端の手法よりも保持性能が12%向上した。
  論文  参考訳（メタデータ） (2025-03-25T15:49:48Z)
• Sparse Autoencoder as a Zero-Shot Classifier for Concept Erasing in Text-to-Image Diffusion Models [24.15603438969762]
  Interpret then Deactivate (ItD) は、T2I拡散モデルにおける正確な概念除去を可能にする新しいフレームワークである。 ItDはスパースオートエンコーダを使用して、各概念を複数の機能の組み合わせとして解釈する。 さらなるトレーニングを必要とせずに、簡単に複数の概念を消去できる。
  論文  参考訳（メタデータ） (2025-03-12T14:46:40Z)
• 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)
• EraseAnything: Enabling Concept Erasure in Rectified Flow Transformers [33.195628798316754]
  EraseAnythingは、最新のフローベースのT2Iフレームワークにおける概念消去に対処するために特別に開発された最初の方法である。 概念消去を二段階最適化問題として定式化し,LoRAに基づくパラメータチューニングとアテンションマップ正規化器を用いた。 本研究では,意図しない概念の除去が意図せず,無関係な概念のパフォーマンスを損なうことのない自己矛盾型学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-29T09:42:53Z)
• Precise, Fast, and Low-cost Concept Erasure in Value Space: Orthogonal Complement Matters [38.355389084255386]
  本稿では,AdaVD(Adaptive Vaule Decomposer)と呼ばれる,高精度で高速かつ低コストな概念消去手法を提案する。 AdaVDは一連の拡散モデルと下流の画像生成タスクをサポートしており、コードはプロジェクトページで入手できる。
  論文  参考訳（メタデータ） (2024-12-09T01:56:25Z)
• Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
  拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。 3つの戦略を含む新しい量子化フレームワークを導入する。 このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
  論文  参考訳（メタデータ） (2024-07-28T17:46:15Z)
• 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)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)

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。