論文の概要: Geometric Erasure by Contrastive Velocity Matching in Rectified Flows

• arxiv url: http://arxiv.org/abs/2606.00140v1
• Date: Fri, 29 May 2026 00:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.001896
• Title: Geometric Erasure by Contrastive Velocity Matching in Rectified Flows
• Title（参考訳）: 相対速度マッチングによる整流流れの幾何学的消去
• Abstract要約: 本稿では,Rectified Flowモデルのための簡易かつ高効率な消去フレームワークであるGEMを紹介する。 我々は,ジェネレーティブ・フロー・ネットワークを基盤としたトラジェクティブ・ベース・アンラーニングと,教師が指導する古典的消去の間に,原則的橋渡しを行う。
• 参考スコア（独自算出の注目度）: 16.74832704069658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the rapid adoption of multimodal generative models offers immense potential, it has also increased the risks of harmful content synthesis, deepfakes, and copyright infringements. To address these challenges, concept erasure has emerged as a prospective safeguard. However, as the field gradually transitions from U-Net-based diffusion models to Rectified Flow Transformers, erasure research has struggled to keep pace. In this work, we introduce GEM, a simple but highly effective erasure framework for Rectified Flow models. As part of our contribution, we establish a principled bridge between trajectory-based unlearning grounded in Generative Flow Networks and classic teacher-guided erasure: we translate trajectory-based signals into a teacher-guided flow-matching setup that unifies the strengths of both paradigms. Concretely, a teacher provides complementary attraction and repulsion signals that we combine into a single geometric guidance objective, yielding targeted suppression of unwanted concepts while preserving benign generation.
• Abstract（参考訳）: マルチモーダル生成モデルの急速な採用は大きな可能性を秘めているが、有害なコンテンツ合成、ディープフェイク、著作権侵害のリスクも増している。 これらの課題に対処するため、概念の消去は将来的な保護として現れてきた。 しかし、分野が徐々にU-Netベースの拡散モデルからRectified Flow Transformersへと移行していくにつれて、消去研究はペースを維持するのに苦労している。 本稿では,Rectified Flowモデルのための簡易かつ高効率な消去フレームワークであるGEMを紹介する。 筆者らの貢献の一環として,ジェネレーティブ・フロー・ネットワークに根ざしたトラジェクティブ・ベース・アンラーニングと,従来の教師指導による消去の原理的ブリッジを構築し,トラジェクティブ・ベース・シグナルを教師指導型フローマッチング・セットアップに変換し,両方のパラダイムの強みを統一する。 具体的には、教師が補完的なアトラクションと反発信号を提供し、それらが単一の幾何学的ガイダンスの目的に組み合わされ、良性生成を保ちながら、望ましくない概念を標的に抑える。

関連論文リスト

• FlowErase-OPD: Multi-Concept Erasure via Anchored On-Policy Distillation in Flow Matching Models [11.142782377709409]
  FlowErase-OPDはオンライン蒸留(OPD)に基づく多概念消去のためのフレームワーク 提案手法はまず,複数の単一概念消去モデルを統一LoRAモジュールに蒸留し,Anchored Multi-Teacher Distillation (AMTD)を導入する。 ヌード性、対象物、芸術的消去の実験により、FlowErase-OPDは、消去効果、画質、セマンティックアライメントのトレードオフを一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-08-07T08:58:13Z)
• FlowErase-RL: Rethinking Concept Erasure as Reward Optimization in Flow Matching Models [47.80885954469943]
  フローマッチングモデルでは、テキストから画像への生成品質が大幅に向上しただけでなく、安全性が向上した。 フローマッチングモデルにおける概念消去のための最初のGRPOベースのフレームワークであるemphFlowErase-RLを提案する。 本研究では,画像品質とセマンティックアライメントを維持しつつ,最先端の消去性能を実現する方法を示す。
  論文  参考訳（メタデータ） (2026-05-19T12:10:09Z)
• Surviving the Unseen: Predictive Defense for Novel Multi-Turn Multimodal Attacks [0.0]
  本稿では,動的生存予測と軌道力学問題として安全検証を定式化する。 マルチモーダルおよびマルチターン対話フローを連続軌道としてマッピングする予測モデルとして,トリプル層異常防御(TRIAD)フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-05-18T18:06:20Z)
• Eulerian Motion Guidance: Robust Image Animation via Bidirectional Geometric Consistency [74.90075313101933]
  本稿では、より局所的な監視設計により、同じ光フロープリミティブを再考する。 我々は隣接フレームのユーレアン運動場を用いて生成を誘導し、そこでは運動信号が常に短い時間ホップを記述する。 隣接するフレーム生成に共通するドリフトアーティファクトを軽減するために,双方向幾何整合機構を導入する。
  論文  参考訳（メタデータ） (2026-05-07T13:53:31Z)
• Rethinking Vector Field Learning for Generative Segmentation [50.08025820235397]
  生成的セグメンテーションのためのモデリング拡散モデルが注目されている。 ベクトル場学習の観点から拡散セグメンテーションを再考する。 本稿では,学習した消滅速度場を距離認識補正項で拡張するベクトル場再構成手法を提案する。 この補正は、誘引的相互作用と反発的相互作用の両方を導入し、元の拡散訓練フレームワークを保ちながら、セントロイド付近の勾配等級を増大させる。
  論文  参考訳（メタデータ） (2026-03-19T17:58:19Z)
• FlowSteer: Guiding Few-Step Image Synthesis with Authentic Trajectories [82.90132015584359]
  ReFlowはフローマッチングと理論的に整合性があるが、現実的なシナリオでは最適ではない。 本研究では,ReFlowをベースとした蒸留手法であるFlowSteerを提案する。
  論文  参考訳（メタデータ） (2025-11-24T07:13:23Z)
• Erased, But Not Forgotten: Erased Rectified Flow Transformers Still Remain Unsafe Under Concept Attack [37.88516477305766]
  本稿では,最新のフローベースT2Iフレームワークにおいて,概念消去の堅牢性を評価するために設計された最初の概念攻撃手法であるReFluxを提案する。 我々のアプローチは、既存の概念消去技術が Flux に適用された場合、基本的にはアテンションローカライゼーションとして知られる現象に依存しているという観察に動機づけられている。
  論文  参考訳（メタデータ） (2025-10-01T08:12:07Z)
• 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)
• Generative Model Inversion Through the Lens of the Manifold Hypothesis [98.37040155914595]
  モデル反転攻撃(MIA)は、訓練されたモデルからクラス表現型サンプルを再構成することを目的としている。 最近の生成的MIAは、生成的敵ネットワークを使用して、反転過程を導く画像の事前学習を行う。
  論文  参考訳（メタデータ） (2025-09-24T14:39:25Z)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)

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。