論文の概要: GrOCE:Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2511.12968v1
• Date: Mon, 17 Nov 2025 04:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.662192
• Title: GrOCE:Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models
• Title（参考訳）: GrOCE:テキスト-画像拡散モデルのためのグラフガイドオンライン概念消去
• Authors: Ning Han, Zhenyu Ge, Feng Han, Yuhua Sun, Chengqing Li, Jingjing Chen,
• Abstract要約: 概念消去は、テキストから画像への拡散モデルから有害、不適切、または著作権のあるコンテンツを除去することを目的としている。 本稿では,GrOCE(Graph-Guided Online Concept Erasure)を提案する。
• 参考スコア（独自算出の注目度）: 24.278300091974085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure aims to remove harmful, inappropriate, or copyrighted content from text-to-image diffusion models while preserving non-target semantics. However, existing methods either rely on costly fine-tuning or apply coarse semantic separation, often degrading unrelated concepts and lacking adaptability to evolving concept sets. To alleviate this issue, we propose Graph-Guided Online Concept Erasure (GrOCE), a training-free framework that performs precise and adaptive concept removal through graph-based semantic reasoning. GrOCE models concepts and their interrelations as a dynamic semantic graph, enabling principled reasoning over dependencies and fine-grained isolation of undesired content. It comprises three components: (1) Dynamic Topological Graph Construction for incremental graph building, (2) Adaptive Cluster Identification for multi-hop traversal with similarity-decay scoring, and (3) Selective Edge Severing for targeted edge removal while preserving global semantics. Extensive experiments demonstrate that GrOCE achieves state-of-the-art performance on Concept Similarity (CS) and Fréchet Inception Distance (FID) metrics, offering efficient, accurate, and stable concept erasure without retraining.
• Abstract（参考訳）: 概念消去は、非ターゲットセマンティクスを維持しながら、テキストから画像への拡散モデルから有害、不適切、または著作権のあるコンテンツを除去することを目的としている。 しかし、既存の手法はコストのかかる微調整や粗い意味分離に頼り、しばしば無関係な概念を劣化させ、進化する概念集合への適応性に欠ける。 この問題を軽減するために,グラフベースセマンティック推論による高精度かつ適応的な概念除去を行うトレーニングフリーフレームワークであるGraph-Guided Online Concept Erasure (GrOCE)を提案する。 GrOCEは概念とそれらの相互関係を動的セマンティックグラフとしてモデル化し、依存関係に対する原則的推論と望ましくないコンテンツのきめ細かい分離を可能にする。 1)インクリメンタルグラフ構築のための動的トポロジカルグラフ構築,(2)類似性デカイスコア付きマルチホップトラバーサルのための適応クラスタ識別,(3)グローバルセマンティクスを保ちながらターゲットエッジ除去のための選択エッジシーリング,の3つのコンポーネントから構成される。 大規模な実験により、GrOCEは概念類似性(CS)とFréchet Inception Distance(FID)メトリクスの最先端のパフォーマンスを達成し、トレーニングなしで効率的で正確で安定した概念消去を提供することを示した。

関連論文リスト

• DyME: Dynamic Multi-Concept Erasure in Diffusion Models with Bi-Level Orthogonal LoRA Adaptation [11.480659591569308]
  テキストから画像への拡散モデルは、著作権のあるスタイルを不注意に再現し、視覚的概念を保護し、法的および倫理的懸念を提起する。 概念消去は、微調整によってそのような概念を選択的に抑制することを目的とした安全保護として登場した。 我々は、軽量でコンセプト固有のLoRAアダプタを訓練し、推論に必要なものだけを動的に構成するオンデマンド消去フレームワークDyMEを提案する。
  論文  参考訳（メタデータ） (2025-09-25T15:16:17Z)
• ACE: Attentional Concept Erasure in Diffusion Models [0.0]
  Attentional Concept Erasureは、クローズドフォームのアテンション操作と軽量な微調整を統合している。 ACEは最先端の概念の除去とロバスト性を実現する。 従来の方法と比較して、ACEは一般性(概念と関連する用語)と特異性(無関係なコンテンツを保存する)のバランスが良い。
  論文  参考訳（メタデータ） (2025-04-16T08:16:28Z)
• 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)
• CRCE: Coreference-Retention Concept Erasure in Text-to-Image Diffusion Models [19.205261933636645]
  本稿では,新しい概念消去フレームワークCRCEを紹介する。 コアフェルデンシャルと保持概念を意味的に明示的にモデル化することにより、CRCEはより正確な概念除去を可能にする。 実験により、CRCEは様々な消去タスクにおいて既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-03-18T13:09:01Z)
• 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。