論文の概要: Where Concept Erasure Should Occur: Concept-Layer Alignment in Text-to-Video Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.25941v1
• Date: Mon, 25 May 2026 15:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.428524
• Title: Where Concept Erasure Should Occur: Concept-Layer Alignment in Text-to-Video Diffusion Models
• Title（参考訳）: テキストとビデオの拡散モデルにおけるコンセプト・レイヤのアライメント
• Authors: Yiwei Xie, Ping Liu, Zheng Zhang,
• Abstract要約: テキストからビデオへの拡散変換器は、効果的な概念消去を制約するモデル深度に不均一に意味情報を符号化する。 概念消去のための分離性駆動型フレームワークであるCLEARを導入し,概念層アライメントを明示的に実施する。 大規模テキスト・ビデオモデルによる実験では、概念-層アライメントの強制は、全体的な生成品質を維持しながら、より正確な概念抑圧につながることが示されている。
• 参考スコア（独自算出の注目度）: 9.957850061310054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-video diffusion transformers encode semantic information unevenly across model depth, which constrains effective concept erasure. We identify a representational bottleneck, termed concept-layer topological alignment, under which target concepts exhibit higher separability at certain representational depths. Outside these depths, concept and non-target signals remain strongly entangled, limiting the effectiveness of depth-specific erasure. This observation reframes concept erasure as the problem of identifying representational depths where concept-non-target separation naturally emerges. Motivated by this structural constraint, we introduce CLEAR, a separability-driven optimization framework for concept erasure that explicitly enforces concept-layer alignment. CLEAR operationalizes this principle by formulating layer selection as an optimization problem over concept-non-target separability, rather than relying on layer-agnostic or heuristic choices. To enable this, we introduce a separability-aware objective that favors layers exhibiting stronger concept-non-target separation. Experiments on large-scale text-to-video diffusion models demonstrate that enforcing concept--layer alignment leads to more precise concept suppression while preserving overall generative quality.
• Abstract（参考訳）: テキストからビデオへの拡散変換器は、効果的な概念消去を制約するモデル深度に不均一に意味情報を符号化する。 対象概念が特定の表現深度において高い分離性を示すような表現ボトルネックを概念層トポロジ的アライメントと呼ぶ。 これらの深度以外では、概念と非標的信号は強く絡み合っており、深度特異的消去の有効性を制限している。 この観察は概念消去を、概念非対象分離が自然に出現する表現深度を特定する問題として再設定する。 この構造制約により、概念消去のための分離可能性駆動最適化フレームワークであるCLEARを導入し、概念層アライメントを明示的に実施する。 CLEARはこの原則を、層に依存しない、あるいはヒューリスティックな選択に頼るのではなく、概念非ターゲット分離性よりも最適化問題として層選択を定式化することによって運用する。 これを実現するために、より強力な概念非ターゲット分離を示す層を好む分離性を考慮した目的を導入する。 大規模テキスト・ビデオ拡散モデルの実験により、概念-層アライメントの強制は、全体的な生成品質を保ちながらより正確な概念抑圧をもたらすことが示された。

関連論文リスト

• Disentangled Sparse Representations for Concept-Separated Diffusion Unlearning [17.479156121859827]
  提案するSAEParateは,概念を意識したコントラスト的目的によって,潜在表現を概念固有のクラスタに整理する。 また,GeLUをベースとした非線形変換によりエンコーダを強化し,この分離目的下での表現能力を向上させる。
  論文  参考訳（メタデータ） (2026-05-12T13:39:07Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization [11.472088067393074]
  ConceptPrismは、画像固有の残留物から共有視覚概念を自動的に切り離す新しいフレームワークである。 実験では、ConceptPrismは概念の絡み合いを効果的に解決し、忠実さと整合性の間のトレードオフを著しく改善する。
  論文  参考訳（メタデータ） (2026-02-23T07:46:19Z)
• Differential Vector Erasure: Unified Training-Free Concept Erasure for Flow Matching Models [49.10620605347065]
  本研究では,フローマッチングモデルに特化して設計されたトレーニング不要な概念消去手法である差分ベクトル消去(DVE)を提案する。 我々の重要な洞察は、意味論的概念は生成フローを管理する速度場の方向構造に暗黙的に符号化されていることである。 推論中、DVEは速度場を微分方向に投影することで概念固有の成分を選択的に除去し、無関係な意味論に影響を与えることなく正確な概念抑圧を可能にする。
  論文  参考訳（メタデータ） (2026-02-01T08:05:45Z)
• 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)
• Fantastic Targets for Concept Erasure in Diffusion Models and Where To Find Them [21.386640828092524]
  概念消去は拡散モデルにおける有害なコンテンツ生成のリスクを軽減するための有望な手法として現れてきた。 本稿では,各望ましくない概念に合わせて最適な目標概念を動的に選択するAdaptive Guided Erasure (AGE)法を提案する。 その結果, AGEは, 有効消去性能を維持しつつ, 無関係な概念を保存し, 最先端の消去手法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-01-31T08:17:23Z)
• 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)
• Separable Multi-Concept Erasure from Diffusion Models [52.51972530398691]
  大規模拡散モデルから安全でない概念を排除するために,分離可能なマルチコンセプト消去器(SepME)を提案する。 後者は最適化可能なモデルウェイトを分離し、各ウェイトインクリメントは特定の概念の消去に対応する。 広範囲にわたる実験は, 概念の排除, モデル性能の保存, 各種概念の消去・回復における柔軟性の確保に, アプローチの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-02-03T11:10:57Z)
• 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。