論文の概要: SuMa: A Subspace Mapping Approach for Robust and Effective Concept Erasure in Text-to-Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2509.05625v1
• Date: Sat, 06 Sep 2025 07:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.618165
• Title: SuMa: A Subspace Mapping Approach for Robust and Effective Concept Erasure in Text-to-Image Diffusion Models
• Title（参考訳）: SuMa:テキスト・画像拡散モデルにおけるロバストかつ効果的な概念消去のための部分空間マッピング手法
• Authors: Kien Nguyen, Anh Tran, Cuong Pham,
• Abstract要約: サブスペースマッピング(SuMa)は、狭義の概念を緩和する堅牢性と有効性の両方を達成するために設計された新しい手法である。 SuMaは、最初に消去される概念を表すターゲット部分空間を導出し、それから2つの間の距離を最小化する参照部分空間にマッピングすることで中和する。 提案手法は,有効性を重視した手法に匹敵する画質を実現するとともに,完全性を重視した手法に匹敵する結果を得る。
• 参考スコア（独自算出の注目度）: 10.635024614453757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of text-to-image diffusion models has raised concerns about their potential misuse in generating harmful or unauthorized contents. To address these issues, several Concept Erasure methods have been proposed. However, most of them fail to achieve both robustness, i.e., the ability to robustly remove the target concept., and effectiveness, i.e., maintaining image quality. While few recent techniques successfully achieve these goals for NSFW concepts, none could handle narrow concepts such as copyrighted characters or celebrities. Erasing these narrow concepts is critical in addressing copyright and legal concerns. However, erasing them is challenging due to their close distances to non-target neighboring concepts, requiring finer-grained manipulation. In this paper, we introduce Subspace Mapping (SuMa), a novel method specifically designed to achieve both robustness and effectiveness in easing these narrow concepts. SuMa first derives a target subspace representing the concept to be erased and then neutralizes it by mapping it to a reference subspace that minimizes the distance between the two. This mapping ensures the target concept is robustly erased while preserving image quality. We conduct extensive experiments with SuMa across four tasks: subclass erasure, celebrity erasure, artistic style erasure, and instance erasure and compare the results with current state-of-the-art methods. Our method achieves image quality comparable to approaches focused on effectiveness, while also yielding results that are on par with methods targeting completeness.
• Abstract（参考訳）: テキスト・画像拡散モデルの急速な成長は、有害または不正なコンテンツを生成する際の誤用の可能性への懸念を引き起こしている。 これらの問題に対処するため、いくつかの概念消去手法が提案されている。 しかし、そのほとんどはロバスト性、すなわちターゲット概念をロバストに除去する能力の両方を達成できなかった。 画像品質の維持と有効性。 NSFWの概念の目標達成に成功している技術は少ないが、著作権のあるキャラクターや有名人といった狭い概念を扱えるものはない。 これらの狭い概念を根絶することは、著作権と法的懸念に対処するために重要である。 しかし、それらの消去は、非ターゲットの隣り合う概念に近づき、よりきめ細かい操作を必要とするため、困難である。 本稿では,これらの狭い概念を緩和するためのロバスト性と有効性を両立する新しい手法であるSubspace Mapping (SuMa)を紹介する。 SuMaは、最初に消去される概念を表すターゲット部分空間を導出し、それから2つの間の距離を最小化する参照部分空間にマッピングすることで中和する。 このマッピングにより、画像の品質を維持しながらターゲット概念が確実に消去される。 サブクラス消去,有名人消去,芸術的スタイル消去,事例消去という4つの課題にまたがってSuMaを用いた広範囲な実験を行い,その結果を最先端の手法と比較した。 提案手法は,有効性を重視した手法に匹敵する画質を実現するとともに,完全性を重視した手法に匹敵する結果を得る。

関連論文リスト

• Concept Pinpoint Eraser for Text-to-image Diffusion Models via Residual Attention Gate [10.996274286143244]
  拡散モデルにおける対象概念を最小限の歪みで保存しながら削除することを目的として,概念消去について検討した。 本研究では, 対象概念を選択的に消去(あるいはカット)するEmphnonlinear Residual Attention Gates (ResAGs) を追加することで, 概念ピンポイント消去 (Concept Pinpoint Eraser, CPE) と呼ばれる新しいフレームワークを提案する。 CPEは、様々な概念を維持しながら、攻撃プロンプトに対する堅牢さで目標概念を削除し、先行技術より優れています。
  論文  参考訳（メタデータ） (2025-06-28T08:17:19Z)
• One Image is Worth a Thousand Words: A Usability Preservable Text-Image Collaborative Erasing Framework [127.07102988701092]
  我々は、最初のテキストイメージ協調概念消去(Co-Erasing)フレームワークを紹介する。 Co-Erasingは、テキストプロンプトと、プロンプトによって誘導されるそれに対応する望ましくないイメージによって、この概念を共同で記述する。 我々は,テキストガイドによる画像概念の洗練戦略を設計し,特定のテキスト概念に最も関係のある視覚的特徴に焦点を当てるようモデルに指示する。
  論文  参考訳（メタデータ） (2025-05-16T11:25:50Z)
• Concept Corrector: Erase concepts on the fly for text-to-image diffusion models [38.99973711993937]
  概念消去は、モデルが生成できる望ましくない概念を消去することを目的としている。 本研究では,特定のタイミングで予測される最終生成画像から得られる視覚的特徴に基づいて,対象概念をチェックする概念コレクタを提案する。 パイプライン全体において、我々の手法はモデルパラメータを変更せず、特定のターゲット概念とそれに対応する代替コンテンツのみを必要とする。
  論文  参考訳（メタデータ） (2025-02-22T21:53:43Z)
• EraseBench: Understanding The Ripple Effects of Concept Erasure Techniques [20.2544260436998]
  概念消去技術は、テキスト・ツー・イメージ・モデルから不要な概念を取り除くことができる。 我々は,現在の概念消去技術の障害モードを体系的に検討する。 本稿では,概念消去手法をより深く評価するためのベンチマークであるEraseBENCHを紹介する。 以上の結果から,最先端技術でさえ品質維持に苦慮していることが明らかとなった。
  論文  参考訳（メタデータ） (2025-01-16T20:42:17Z)
• 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)
• Implicit Concept Removal of Diffusion Models [92.55152501707995]
  テキスト・ツー・イメージ(T2I)拡散モデルはしばしば、透かしや安全でない画像のような望ましくない概念を不注意に生成する。 幾何学駆動制御に基づく新しい概念除去手法であるGeom-Erasingを提案する。
  論文  参考訳（メタデータ） (2023-10-09T17:13:10Z)

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。