論文の概要: LURE: Latent Space Unblocking for Multi-Concept Reawakening in Diffusion Models

• arxiv url: http://arxiv.org/abs/2601.14330v1
• Date: Tue, 20 Jan 2026 10:39:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.10084
• Title: LURE: Latent Space Unblocking for Multi-Concept Reawakening in Diffusion Models
• Title（参考訳）: LURE:拡散モデルにおけるマルチコンセプト再起動のための遅延空間アンブロッキング
• Authors: Mengyu Sun, Ziyuan Yang, Andrew Beng Jin Teoh, Junxu Liu, Haibo Hu, Yi Zhang,
• Abstract要約: 概念消去は拡散モデルにおけるセンシティブなコンテンツを抑制することを目的としている。 最近の研究では、消去された概念は再起動可能であることが示されており、消去方法の脆弱性が明らかにされている。 生成過程を暗黙の関数としてモデル化し、複数の因子の包括的な理論的分析を可能にする。
• 参考スコア（独自算出の注目度）: 24.332916173317113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure aims to suppress sensitive content in diffusion models, but recent studies show that erased concepts can still be reawakened, revealing vulnerabilities in erasure methods. Existing reawakening methods mainly rely on prompt-level optimization to manipulate sampling trajectories, neglecting other generative factors, which limits a comprehensive understanding of the underlying dynamics. In this paper, we model the generation process as an implicit function to enable a comprehensive theoretical analysis of multiple factors, including text conditions, model parameters, and latent states. We theoretically show that perturbing each factor can reawaken erased concepts. Building on this insight, we propose a novel concept reawakening method: Latent space Unblocking for concept REawakening (LURE), which reawakens erased concepts by reconstructing the latent space and guiding the sampling trajectory. Specifically, our semantic re-binding mechanism reconstructs the latent space by aligning denoising predictions with target distributions to reestablish severed text-visual associations. However, in multi-concept scenarios, naive reconstruction can cause gradient conflicts and feature entanglement. To address this, we introduce Gradient Field Orthogonalization, which enforces feature orthogonality to prevent mutual interference. Additionally, our Latent Semantic Identification-Guided Sampling (LSIS) ensures stability of the reawakening process via posterior density verification. Extensive experiments demonstrate that LURE enables simultaneous, high-fidelity reawakening of multiple erased concepts across diverse erasure tasks and methods.
• Abstract（参考訳）: 概念消去は拡散モデルにおけるセンシティブな内容の抑制を目的としているが、近年の研究では、消去された概念は再起動可能であり、消去方法の脆弱性が明らかにされている。 既存の再覚醒法は主に、サンプリング軌道を操作するためのプロンプトレベルの最適化に依存し、他の生成因子を無視し、基礎となる力学の包括的理解を制限する。 本稿では、生成過程を暗黙の関数としてモデル化し、テキスト条件、モデルパラメータ、潜時状態を含む複数の要因の包括的理論的解析を可能にする。 理論的には、各因子の摂動が消去された概念を再起動できることが示される。 そこで本研究では,概念再覚醒のための潜在空間アンブロッキング (LURE) という新しい概念再覚醒手法を提案する。 具体的には, 意味的再結合機構は, 減音予測を目標分布と整列させて潜在空間を再構成し, 減音されたテキスト・視覚的関連を再構築する。 しかし、多概念シナリオでは、ナイーブな再構成は勾配の衝突や特徴の絡み合いを引き起こす可能性がある。 そこで我々は, 相互干渉を防止するために, 特徴直交を強制するグラディエント場直交化を導入する。 さらに,我々の潜在セマンティック同定誘導サンプリング(LSIS)は,後続密度検証による再起動過程の安定性を保証する。 広範囲にわたる実験により、LUREは様々な消去タスクや手法で複数の消去された概念を同時に、高忠実に再起動できることを示した。

関連論文リスト

• FACE: Faithful Automatic Concept Extraction [4.417419748257645]
  FACE(Faithful Automatic Concept extract)は、KL(Kullback-Leibler)の発散正規化項で非負行列因子化(NMF)を強化する新しいフレームワークである。 我々は,KL分散の最小化が予測分布の偏差を制限し,学習された概念空間における忠実な局所線型性を促進することを理論的保証する。
  論文  参考訳（メタデータ） (2025-10-13T17:44:45Z)
• Revoking Amnesia: RL-based Trajectory Optimization to Resurrect Erased Concepts in Diffusion Models [38.38751366738881]
  概念消去技術は、安全と著作権の観点から不適切なコンテンツ生成を防止するため、T2I拡散モデルに広く展開されている。 確立された消去方法は 劣化した効果を示し 真のメカニズムに関する疑問を提起する 提案するトラジェクトリ最適化フレームワークである textbfRevAm は,デノナイジング過程を動的に操ることで,消去された概念を復活させる。
  論文  参考訳（メタデータ） (2025-09-30T07:46:19Z)
• A Survey on Latent Reasoning [100.54120559169735]
  大きな言語モデル(LLM)は印象的な推論機能を示している。 中間ステップを言語化するCoT推論は、モデルの表現帯域幅を制限する。 潜在的推論は、モデルの連続的な隠れ状態に完全にマルチステップの推論を実行することで、このボトルネックに対処する。
  論文  参考訳（メタデータ） (2025-07-08T17:29:07Z)
• TRACE: Trajectory-Constrained Concept Erasure in Diffusion Models [0.0]
  概念消去は、生成モデルにおいて特定の概念情報を削除または抑制することを目的としている。 Trajectory-Constrained Attentional Concept Erasure (TRACE) は拡散モデルから対象概念を消去する新しい手法である。 TRACEは最先端のパフォーマンスを実現し、ANT、EraseAnything、MACEといった最近の手法よりも、除去効率と出力品質の点で優れています。
  論文  参考訳（メタデータ） (2025-05-29T10:15:22Z)
• Erased or Dormant? Rethinking Concept Erasure Through Reversibility [6.895055915600732]
  我々は、統一概念編集と消去安定拡散という2つの代表的な概念消去手法を評価する。 消去された概念は、最小限の適応の後、しばしばかなりの視覚的忠実度で再帰することを示す。 本研究は,既存の概念消去アプローチにおける限界を明らかにするものである。
  論文  参考訳（メタデータ） (2025-05-22T03:26:46Z)
• TRCE: Towards Reliable Malicious Concept Erasure in Text-to-Image Diffusion Models [53.937498564603054]
  近年のテキスト・画像拡散モデルの進歩により、フォトリアリスティックな画像生成が可能になったが、NSFW画像のような悪意のあるコンテンツを生成するリスクもある。 リスクを軽減するため,概念消去手法が研究され,モデルが特定の概念を学習しやすくする。 本稿では,2段階のコンセプト消去戦略を用いて,信頼性の高い消去と知識保存の効果的なトレードオフを実現するTRCEを提案する。
  論文  参考訳（メタデータ） (2025-03-10T14:37:53Z)
• Rethinking the Vulnerability of Concept Erasure and a New Method [9.044763606650646]
  概念消去 (defense) 法は、ポストホック微調整によって特定の概念を「未学習」するために開発された。 最近の概念復元(アタック)手法は、これら消去されたと思われる概念を、逆向きのプロンプトで復元できることを実証している。 本稿では,従来の修復手法を最大17.8倍に向上させる新しい座標descentベースの復元アルゴリズムである**RECORD*を紹介する。
  論文  参考訳（メタデータ） (2025-02-24T17:26:01Z)
• 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)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。