論文の概要: Mosaic: Compositional Multi-Concept Erasure via Vector Field Blending

• arxiv url: http://arxiv.org/abs/2605.25574v1
• Date: Mon, 25 May 2026 08:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.473153
• Title: Mosaic: Compositional Multi-Concept Erasure via Vector Field Blending
• Title（参考訳）: モザイク:ベクトル場ブレンドによる構成多概念消去
• Abstract要約: 概念消去は、テキスト・ツー・イメージ(T2I)モデルにおいて、安全で倫理的な画像合成を確保するための重要な研究方向として登場した。 一つのシーン内で複数のターゲット概念を同時に除去することを目的とした新しいタスクである構成的マルチコンセプト消去を導入する。 本稿では,フローベースT2Iモデルにおけるマルチコンセプト消去のための新しいフレームワークであるMosaicを提案する。
• 参考スコア（独自算出の注目度）: 23.575616600476284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure has emerged as a key research direction for ensuring safe and ethical image synthesis in Text-to-Image (T2I) models. While existing studies have explored concept erasure across multiple concepts, they typically assume only a single target concept per image, a limitation increasingly exposed by modern flow-based T2I models, which can generate complex scenes with multiple concepts simultaneously. To address this gap, we introduce compositional multi-concept erasure, a new task that aims to simultaneously remove multiple target concepts within a single scene. We propose CoME-Bench, a benchmark for evaluating compositional multi-concept erasure, which covers both intra- and cross-category scenarios. We further propose Mosaic, a novel framework for multi-concept erasure in flow-based T2I models, which exploits the spatial locality of target concepts in the vector field by dynamically constructing concept-specific masks and selectively blending them without additional optimization. Extensive experiments demonstrate that Mosaic effectively removes multiple target concepts in complex compositional scenes while preserving non-target contexts.
• Abstract（参考訳）: 概念消去は、テキスト・ツー・イメージ(T2I)モデルにおいて、安全で倫理的な画像合成を確保するための重要な研究方向として登場した。 既存の研究では、複数の概念にまたがって概念の消去を検討してきたが、一般的にイメージ毎に1つのターゲット概念しか想定していない。 このギャップに対処するために,単一シーン内で複数のターゲット概念を同時に除去することを目的とした新しいタスクである,構成的マルチコンセプト消去を導入する。 本稿では,構成的マルチコンセプト消去の評価ベンチマークであるCoME-Benchを提案する。 さらに、フローベースT2Iモデルにおけるマルチコンセプト消去のための新しいフレームワークであるMosaicを提案する。このフレームワークは、ベクトル場におけるターゲット概念の空間的局所性を利用して、概念固有のマスクを動的に構築し、追加の最適化なしにそれらを選択的にブレンドする。 大規模な実験により、モザイクは複雑な構成シーンにおける複数のターゲット概念を効果的に除去し、非ターゲットコンテキストを保存することを示した。

関連論文リスト

• ConceptSplit: Decoupled Multi-Concept Personalization of Diffusion Models via Token-wise Adaptation and Attention Disentanglement [15.939409734710198]
  本研究では,個別概念を学習と推論によって分割する新しいフレームワークであるConceptSplitを提案する。 まず,ToVA(Token-wise Value Adaptation)を導入する。 第2に,遠絡注意のための潜在最適化(LODA)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T10:22:46Z)
• ICE: Intrinsic Concept Extraction from a Single Image via Diffusion Models [60.30998818833206]
  ICEは内在概念抽出(Intrinsic Concept extract)の略で、1つの画像から内在概念を抽出する新しいフレームワークである。 本フレームワークは、教師なしの方法で単一の画像から本質的な概念抽出を行う上で、優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-25T17:58:29Z)
• 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)
• Modular Customization of Diffusion Models via Blockwise-Parameterized Low-Rank Adaptation [73.16975077770765]
  コンセプトのスタイリングやマルチコンセプトのカスタマイズといったアプリケーションには、モジュール化が不可欠である。 インスタントマージ法は、個々のマージされた概念のアイデンティティ損失と干渉を引き起こすことが多い。 個々の概念のアイデンティティを正確に保存しつつ,複数の概念を効率的に組み合わせたインスタントマージ手法であるBlockLoRAを提案する。
  論文  参考訳（メタデータ） (2025-03-11T16:10:36Z)
• OmniPrism: Learning Disentangled Visual Concept for Image Generation [57.21097864811521]
  創造的な視覚概念の生成は、しばしば関連する結果を生み出すために参照イメージ内の特定の概念からインスピレーションを引き出す。 我々は,創造的画像生成のための視覚的概念分離手法であるOmniPrismを提案する。 提案手法は,自然言語で案内される不整合概念表現を学習し,これらの概念を組み込むために拡散モデルを訓練する。
  論文  参考訳（メタデータ） (2024-12-16T18:59:52Z)
• AttenCraft: Attention-guided Disentanglement of Multiple Concepts for Text-to-Image Customization [3.5066393042242123]
  本研究では,マルチコンセプト・ディコンタングルメントのための注意型手法であるAttenCraftを提案する。 注意点に基づく適応アルゴリズムを導入し,異なる概念に対するサンプリング比を推定する。 我々のモデルは,最新画像の忠実度と,ベースラインモデルに匹敵する即時忠実度という2つの問題を効果的に緩和する。
  論文  参考訳（メタデータ） (2024-05-28T08:50:14Z)
• MC$^2$: Multi-concept Guidance for Customized Multi-concept Generation [59.00909718832648]
  マルチコンセプトカスタマイズのための新しいアプローチであるMC$2$を提案する。 視覚的およびテキスト的トークン間の注意重みを適応的に補正することにより、画像領域が関連概念と正確に一致することを保証する。 MC$2$は、即時参照アライメントの観点からトレーニングベースの手法より優れていることを示す実験である。
  論文  参考訳（メタデータ） (2024-04-08T07:59:04Z)
• LoRA-Composer: Leveraging Low-Rank Adaptation for Multi-Concept Customization in Training-Free Diffusion Models [33.379758040084894]
  ドメイン内の課題として、マルチコンセプトのカスタマイズが登場します。 既存のアプローチでは、複数のローランド適応(LoRA)の融合行列をトレーニングして、さまざまな概念をひとつのイメージにマージすることが多い。 LoRA-Composerは、複数のLoRAをシームレスに統合するために設計されたトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2024-03-18T09:58:52Z)
• Coarse-to-Fine Concept Bottleneck Models [9.910980079138206]
  この研究は、アンテホック解釈可能性、特に概念ボトルネックモデル(CBM)をターゲットにしている。 我々のゴールは、人間の理解可能な概念を2段階の粒度で、高度に解釈可能な意思決定プロセスを認めるフレームワークを設計することである。 この枠組みでは、概念情報は全体像と一般的な非構造概念の類似性にのみ依存せず、画像シーンのパッチ固有の領域に存在するより粒度の細かい概念情報を発見・活用するために概念階層の概念を導入している。
  論文  参考訳（メタデータ） (2023-10-03T14:57:31Z)
• Break-A-Scene: Extracting Multiple Concepts from a Single Image [80.47666266017207]
  テキストシーン分解の課題を紹介する。 本稿では,対象概念の存在を示すマスクを用いた入力画像の拡張を提案する。 次に、新しい2段階のカスタマイズプロセスを示す。
  論文  参考訳（メタデータ） (2023-05-25T17:59:04Z)

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。