論文の概要: PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.22311v1
• Date: Thu, 21 May 2026 10:55:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.218177
• Title: PIU: Proximity-guided Identity Unlearning in ID-Conditioned Diffusion Models
• Title（参考訳）: PIU: ID-conditioned Diffusion Modelにおける近性誘導型アイデンティティアンラーニング
• Authors: Jose Edgar Hernandez Cancino Estrada, Mauro Díaz Lupone, Žiga Emeršič, Vitomir Štruc, Peter Peer, Darian Tomašević,
• Abstract要約: 我々は、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceでアイデンティティアンラーニングを研究する。 本稿では,Pu(Proximity-guided Identity Unlearning)について紹介する。
• 参考スコア（独自算出の注目度）: 2.260041671242786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identity-conditioned diffusion models enable high-quality and identity-consistent face generation, but they also raise severe privacy concerns, as models may continue to synthesize individuals despite their right to be forgotten. While machine unlearning has been extensively studied for concept and data removal, identity unlearning remains largely unexplored, particularly in models conditioned directly on identity embeddings rather than text prompts. In this work, we study identity unlearning in Arc2Face, a state-of-the-art identity-conditioned latent diffusion model for face generation, and introduce Proximity-guided Identity Unlearning (PIU), an anchor-guided framework for identity unlearning. Specifically, we formulate identity removal as an identity replacement objective that reassigns the source identity to a selected anchor identity in the learned identity space, and we complement it with a proximity-based anchor selection strategy motivated by the geometry of ArcFace representations. We further show that effective unlearning can be achieved through localized fine-tuning of a small subset of identity-sensitive cross-attention layers. Experiments across many target identities show that our framework effectively suppresses generation of the target identity while preserving realism and identity consistency for retained identities, as validated by improved performance on unlearning and image-quality metrics, together with qualitative evaluation. The source code for the PIU framework is publicly available at https://github.com/edgarcancinoe/piu_unlearning .
• Abstract（参考訳）: アイデンティティ条件付き拡散モデルは、高品質でアイデンティティ一貫性のある顔生成を可能にするが、モデルが忘れられる権利にもかかわらず個人を合成し続けるため、深刻なプライバシー上の懸念も引き起こす。 マシン・アンラーニングは概念とデータ除去のために広く研究されているが、アイデンティティ・アンラーニングは、特にテキスト・プロンプトではなくアイデンティティ・埋め込みに直接条件付けされたモデルにおいて、ほとんど探索されていない。 本研究では、顔生成のための最先端のアイデンティティ条件付き潜時拡散モデルであるArc2Faceにおけるアイデンティティアンラーニングについて検討し、アイデンティティアンラーニングのためのアンカー誘導フレームワークであるPu(Proximity-Guided Identity Unlearning)を紹介した。 具体的には、学習したアイデンティティ空間において、ソースIDを選択されたアンカーIDに再割り当てするアイデンティティ置換目的としてアイデンティティ除去を定式化し、ArcFace表現の幾何学によって動機付けられた近接型アンカー選択戦略を補完する。 さらに、識別に敏感なクロスアテンションレイヤの小さなサブセットを局所的に微調整することで、効果的なアンラーニングを実現することができることを示す。 多くのターゲットIDを対象とした実験により,本フレームワークは,未学習および画像品質指標の性能向上と質的評価によって検証されるように,保持されたアイデンティティに対する現実性とアイデンティティの整合性を保ちながら,ターゲットIDの生成を効果的に抑制することを示した。 PIUフレームワークのソースコードはhttps://github.com/edgarcancinoe/piu_unlearning で公開されている。

関連論文リスト

• Face inpainting with Identity Preserving Latent Diffusion Models [10.348748950921667]
  ID-ControlNetは、潜伏拡散モデルに基づいて構築された、ID保存のフェイスペイントフレームワークである。 我々は、生成した顔とターゲットの識別表現とのアライメントを明確に強制する、アイデンティティ一貫性と三重項損失トレーニング戦略を導入する。
  論文  参考訳（メタデータ） (2026-05-15T23:19:43Z)
• Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation [9.39195684989942]
  Identity-Decoupled MRAGは、生成匿名化モジュールを検索と生成の間に介在するフレームワークである。 提案手法は,各面を識別符号と空間的に構造化された属性コードに分解し,相互情報的ペナルティと勾配に基づく独立項で正規化する不整形変分エンコーダ,識別符号を元のものと現実とを区別することが保証された合成物に置換する多様体認識拒絶サンプリング器,および (iii)匿名化顔と置換IDとを合成する条件付き潜時拡散発生器からなる。
  論文  参考訳（メタデータ） (2026-04-26T07:42:33Z)
• Few-Shot Generative Model Adaption via Identity Injection and Preservation [28.832140076917515]
  限られたデータで生成モデルを訓練することは、モード崩壊の深刻な課題を示す。 一般的なアプローチは、少数ショット生成モデル適応として知られる非常に少数のサンプルを持つターゲット領域に、大きな事前訓練された生成モデルを適用することである。 我々は、アイデンティティ注入と整合性アライメントを活用して、ソースのアイデンティティ知識を保存するアイデンティティ注入と保存(I$2$P)を提案する。
  論文  参考訳（メタデータ） (2026-03-24T08:59:29Z)
• Face Identity Unlearning for Retrieval via Embedding Dispersion [0.0]
  顔認識システムは、正確な検索を可能にするために、高度に差別的でコンパクトなアイデンティティクラスタの学習に依存している。 本研究では,検索システムにおける顔認証アンラーニングの問題について検討し,その課題について述べる。 第一の課題は、埋め込み空間の識別的構造を保ちながら、この忘れる効果を達成することである。
  論文  参考訳（メタデータ） (2025-12-15T13:35:28Z)
• Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
  顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。 トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-28T09:28:12Z)
• WithAnyone: Towards Controllable and ID Consistent Image Generation [83.55786496542062]
  アイデンティティ・一貫性・ジェネレーションは、テキスト・ツー・イメージ研究において重要な焦点となっている。 マルチパーソンシナリオに適した大規模ペアデータセットを開発する。 本稿では,データと多様性のバランスをとるためにペアデータを活用する,対照的なアイデンティティ損失を持つ新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:54Z)
• ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
  AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。 我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
  論文  参考訳（メタデータ） (2024-04-23T18:41:56Z)
• Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
  匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)である このフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。 大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-15T08:59:02Z)
• FaceDancer: Pose- and Occlusion-Aware High Fidelity Face Swapping [62.38898610210771]
  そこで我々は,FaceDancerという顔のスワップとID転送のための新しい単一ステージ手法を提案する。 アダプティブ・フィーチャー・フュージョン・アテンション(AFFA)と解釈的特徴類似性規則化(IFSR)の2つの主要なコントリビューションがある。
  論文  参考訳（メタデータ） (2022-10-19T11:31:38Z)

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。