論文の概要: SACE: Concept Erasure at the Semantic Singularity in Visual Autoregressive Models

• arxiv url: http://arxiv.org/abs/2606.15819v1
• Date: Sun, 14 Jun 2026 13:39:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.872214
• Title: SACE: Concept Erasure at the Semantic Singularity in Visual Autoregressive Models
• Title（参考訳）: SACE:視覚自己回帰モデルにおける意味特異性の概念消去
• Abstract要約: 本稿では、視覚的自己回帰(VAR)モデルのための最初のスケールアウェアの概念消去フレームワーク(SACE)を紹介する。 厳密な介入を第1スケールに収束させることで,高エントロピーサンプリング劣化を防止するために,エントロピー規則化された消去対象を結合する。
• 参考スコア（独自算出の注目度）: 10.865745057624833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid progress of visual autoregressive (VAR) models has unlocked a transformative frontier for high-fidelity text-to-image synthesis, while heightening concerns over the safety alignment of generated content. Naive application of existing erasure techniques to VAR models causes catastrophic semantic collapse and visual artifacts, since they are predominantly designed for the homogeneous denoising steps of diffusion models. To address this foundational challenge, we first propose the Semantic Singularity Axiom, which posits that any target semantic concept embedded within a prompt is definitively locked at Scale-0. Then rigorously validate this axiom through our proposed Incremental Semantic Saliency Analysis (ISSA),which also enable the community to transparently inspect the coarse-to-fine semantic injection process. Guided by this insight, we introduce the first scale-aware concept erasure framework (SACE) for VAR models. By strictly confining interventions to the first scale, our approach couples an Entropy-Regularized Erasure Objective to prevent high-entropy sampling degeneration, alongside a restorative preservation loss to safely anchor the integrity of entangled benign priors. Extensive experiments demonstrate that our method achieves surgical concept erasure performance across various domains with minimal training overhead, timely and elegently resolute the critical safety vulnerabilities inherent in emerging VAR architectures. Code is available at: https://github.com/limerenceysy/SACE}{https://github.com/limerenceysy/SACE.
• Abstract（参考訳）: 視覚自己回帰モデル(VAR)の急速な進歩により、高忠実度テキスト・画像合成のためのトランスフォーメーションフロンティアが開放され、生成したコンテンツの安全アライメントに対する懸念が高まっている。 既存の消去技術のVARモデルへの適用は、拡散モデルの均質化段階のために主に設計されているため、破滅的なセマンティック崩壊と視覚的アーティファクトを引き起こす。 この基本的な課題に対処するために、まず最初にセマンティック特異性公理を提案し、これはプロンプトに埋め込まれた任意のターゲットセマンティック概念がScale-0で確実にロックされていることを仮定する。 そして、この公理を我々の提案したIncrmental Semantic Saliency Analysis (ISSA)を通じて厳密に検証し、コミュニティが粗大なセマンティックインジェクションプロセスを透過的に検査できるようにする。 この知見に導かれ、我々はVARモデルのための最初のスケールアウェアの概念消去フレームワーク(SACE)を紹介した。 厳密な介入を第1尺度に収束させることで,高エントロピーサンプリング・デジェネレーションの防止を目的としたエントロピー・レギュラライズド・エミッション・オブジェクト(Entropy-Regularized Erasure Objective)を結合させる。 広汎な実験により,本手法は,新たなVARアーキテクチャに固有の致命的安全性の脆弱性を時間的かつエレガントに解消し,訓練のオーバーヘッドを最小限に抑えながら,様々な領域にわたる外科的概念の消去性能を達成できることが示されている。 コードは以下の通りである。 https://github.com/limerenceysy/SACE}{https://github.com/limerenceysy/SACE。

関連論文リスト

• EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders [103.46709005379591]
  概念消去は、事前訓練されたモデルから不要なセマンティクスを取り除くことによって、原則化された救済を提供する。 既存のアプローチは一般に粗い品質で動作し、概念表現の微細で分散した性質と不一致である。 外科的概念の消去を実現するためにスパースオートエンコーダを利用する新しいフレームワークであるEraseSAEを提案する。
  論文  参考訳（メタデータ） (2026-09-03T10:23:37Z)
• Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition [62.947473058878565]
  視覚生成のための普遍的推論時概念消去フレームワークUni-AdaVDを提案する。 この結果から,Uni-AdaVDは現代の視覚生成モデルに対して,効率的かつ適応的な安全機構を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-16T03:16:51Z)
• 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)
• SafeRedir: Prompt Embedding Redirection for Robust Unlearning in Image Generation Models [67.84174763413178]
  我々はSafeRedirを紹介した。SafeRedirは、迅速な埋め込みリダイレクトによる堅牢なアンラーニングのための軽量な推論時フレームワークである。 SafeRedirは,効果的な非学習能力,意味的・知覚的保存能力,堅牢な画像品質,対人攻撃に対する耐性の向上を実現している。
  論文  参考訳（メタデータ） (2026-01-13T15:01:38Z)
• CGCE: Classifier-Guided Concept Erasure in Generative Models [53.7410000675294]
  概念消去は、事前訓練されたモデルから望ましくない概念を取り除くために開発された。 既存の方法は、削除されたコンテンツを再生できる敵攻撃に弱いままである。 多様な生成モデルに対して堅牢な概念消去を提供する効率的なプラグアンドプレイフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-08T05:38:18Z)
• Closing the Safety Gap: Surgical Concept Erasure in Visual Autoregressive Models [48.34555526275907]
  本稿では,視覚的自己回帰モデルにおける概念消去を安定させる新しいフレームワークVAREを提案する。 次に、VAR用に設計された新規かつ効果的な概念消去手法であるS-VAREを紹介する。 提案手法は,生成品質を保ちながら外科的概念の消去を実現し,自動回帰テキスト・画像生成における安全性のギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-26T14:26:52Z)
• Robust Concept Erasure in Diffusion Models: A Theoretical Perspective on Security and Robustness [4.23067546195708]
  textbfSCORE (Secure and Concept-Oriented Robust Erasure)は拡散モデルにおけるロバストな概念除去のための新しいフレームワークである。 SCOREは拡散モデルにおける安全で堅牢な概念消去のための新しい標準を定めている。
  論文  参考訳（メタデータ） (2025-09-15T15:05:50Z)
• CURE: Concept Unlearning via Orthogonal Representation Editing in Diffusion Models [7.68494752148263]
  CUREは、事前訓練された拡散モデルの重み空間で直接動作する、トレーニング不要の概念未学習フレームワークである。 スペクトル消去器は、安全な属性を保持しながら、望ましくない概念に特有の特徴を特定し、分離する。 CUREは、対象とする芸術スタイル、オブジェクト、アイデンティティ、明示的なコンテンツに対して、より効率的で徹底的な除去を実現する。
  論文  参考訳（メタデータ） (2025-05-19T03:53:06Z)
• Ring-A-Bell! How Reliable are Concept Removal Methods for Diffusion Models? [52.238883592674696]
  Ring-A-Bellは、T2I拡散モデルのためのモデルに依存しないレッドチームツールである。 これは、不適切なコンテンツの生成に対応する拡散モデルに対する問題的プロンプトを特定する。 この結果から,安全プロンプトベンチマークの操作により,既存の安全メカニズムを回避できると考えられるプロンプトを変換できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-16T02:11:20Z)

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。