論文の概要: Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2603.25994v1
• Date: Fri, 27 Mar 2026 00:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.319844
• Title: Neighbor-Aware Localized Concept Erasure in Text-to-Image Diffusion Models
• Title（参考訳）: テキスト・画像拡散モデルにおける近傍認識による局所的概念消去
• Authors: Zhuan Shi, Alireza Dehghanpour Farashah, Rik de Vries, Golnoosh Farnadi,
• Abstract要約: テキストから画像への拡散モデルにおける概念消去は、全体的な生成能力を保ちながら望ましくない概念を除去しようとする。 本研究では,NLCE(Neighbor-Aware Localized Concept Erasure)を提案する。
• 参考スコア（独自算出の注目度）: 11.53473951431438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept erasure in text-to-image diffusion models seeks to remove undesired concepts while preserving overall generative capability. Localized erasure methods aim to restrict edits to the spatial region occupied by the target concept. However, we observe that suppressing a concept can unintentionally weaken semantically related neighbor concepts, reducing fidelity in fine-grained domains. We propose Neighbor-Aware Localized Concept Erasure (NLCE), a training-free framework designed to better preserve neighboring concepts while removing target concepts. It operates in three stages: (1) a spectrally-weighted embedding modulation that attenuates target concept directions while stabilizing neighbor concept representations, (2) an attention-guided spatial gate that identifies regions exhibiting residual concept activation, and (3) a spatially-gated hard erasure that eliminates remaining traces only where necessary. This neighbor-aware pipeline enables localized concept removal while maintaining the surrounding concept neighborhood structure. Experiments on fine-grained datasets (Oxford Flowers, Stanford Dogs) show that our method effectively removes target concepts while better preserving closely related categories. Additional results on celebrity identity, explicit content and artistic style demonstrate robustness and generalization to broader erasure scenarios.
• Abstract（参考訳）: テキストから画像への拡散モデルにおける概念消去は、全体的な生成能力を保ちながら望ましくない概念を除去しようとする。 局所消去手法は,対象概念が占める空間領域に編集を限定することを目的としている。 しかし, 概念の抑圧は意味論的に隣接する概念を意図せず弱め, きめ細かいドメインの忠実度を低下させることが観察された。 本研究では,NLCE(Neighbor-Aware Localized Concept Erasure)を提案する。 本研究は,(1)隣接概念表現を安定化させながら目標概念方向を減衰させるスペクトル重み付き埋め込み変調,(2)残留概念活性化を示す領域を識別する注意誘導空間ゲート,(3)残留痕跡を除去する空間的強制的ハード消去の3段階からなる。 この隣り合うパイプラインは、周囲のコンセプトエリア構造を維持しながら、局所的な概念除去を可能にする。 細粒度データセット(Oxford Flowers, Stanford Dogs)の実験により,本手法は目的概念を効果的に除去し,関連するカテゴリをよりよく保存することを示す。 有名人のアイデンティティ、明示的な内容、芸術的スタイルに関する追加的な結果は、より広範な消去シナリオに対する堅牢性と一般化を示している。

関連論文リスト

• GrOCE:Graph-Guided Online Concept Erasure for Text-to-Image Diffusion Models [24.278300091974085]
  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。
  論文  参考訳（メタデータ） (2025-11-17T04:47:16Z)
• SAGE: Exploring the Boundaries of Unsafe Concept Domain with Semantic-Augment Erasing [65.82241040239452]
  望ましくない概念に微妙な重みを消去する概念。 既存の方法は、安全でない概念を固定語として扱い、繰り返し消去する。 本稿では,概念語消去を概念ドメイン消去に変換する意味拡張消去について紹介する。
  論文  参考訳（メタデータ） (2025-06-11T03:21:24Z)
• 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)
• Localized Concept Erasure for Text-to-Image Diffusion Models Using Training-Free Gated Low-Rank Adaptation [12.098673137752861]
  ファインチューニングに基づく概念消去は,テキスト・画像拡散モデルから有害なコンテンツの発生を防止する上で有望な結果を示した。 画像中の対象概念を含む特定領域のみを削除可能な,局所的概念消去というフレームワークを導入する。 本稿では,Gated Low-rank adaptation for Concept Erasure (GLoCE) と呼ばれる,軽量モジュールを拡散モデルに注入する学習自由アプローチを提案する。
  論文  参考訳（メタデータ） (2025-03-16T04:53:20Z)
• Concept Replacer: Replacing Sensitive Concepts in Diffusion Models via Precision Localization [48.20360860166279]
  大規模な拡散モデルは高品質な画像を生成するが、しばしば性的に明示的なコンテンツや暴力的なコンテンツのような望ましくないコンテンツを生成する。 本研究では,非対象領域に影響を及ぼすことなく,特定の概念を除去することが可能な拡散モデルにおいて,対象概念を置き換えるための新しい手法を提案する。 本手法では,最小限のラベル付きデータを必要とする数発の学習で学習し,目標概念を正確に識別する専用概念ローカライザを提案する。 特定領域内では,DPCA(Dual Prompts Cross-Attention)モジュールが導入された。
  論文  参考訳（メタデータ） (2024-12-02T08:05:39Z)
• RealEra: Semantic-level Concept Erasure via Neighbor-Concept Mining [25.769144703607214]
  概念消去は、モデルが保護され不適切な概念に関する知識を取り除くために提案されている。 この「概念残余」問題に対処するためにRealEraを提案する。 また,RealEraは,有効性,特異性,汎用性において,従来の消去方法よりも優れていたことを示す。
  論文  参考訳（メタデータ） (2024-10-11T17:55:30Z)
• 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。