論文の概要: Concept Removal for Frontier Image Generative Models

• arxiv url: http://arxiv.org/abs/2606.25548v1
• Date: Wed, 24 Jun 2026 08:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.278379
• Title: Concept Removal for Frontier Image Generative Models
• Title（参考訳）: フロンティア画像生成モデルの概念除去
• Abstract要約: 本稿ではフロンティア拡散とイメージ自己回帰モデルのための新しい概念除去手法を提案する。 私たちの介入は、内部のボトルネック層を元のレイヤを複製するように訓練されたトランスコーダに置き換えます。 この手法は、現代の拡散モデルと自己回帰モデルにまたがる最先端の概念除去性能を実証的に達成する。
• 参考スコア（独自算出の注目度）: 24.385258118583767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image generative models are trained on massive, largely uncurated internet-scale datasets that contain undesirable visual concepts. Efficiently removing such concepts from the model generations without degrading the quality of output images remains challenging. We introduce a novel concept removal method for frontier diffusion and image autoregressive models, such as SD3.5, Flux, and Infinity. Our intervention replaces the internal bottleneck layer present in all these modern models with a transcoder that is trained to replicate the original layer while structuring it into distinct activation features. This in-place substitution creates an integrated filter through which concept-specific signals can be selectively disabled while preserving the rest of the model's behavior. Since the intervention modifies the model backbone rather than attaching an external component, it remains persistent under white-box access. Empirically, the approach achieves state-of-the-art concept removal performance across modern diffusion and autoregressive models, maintains visual generation quality, provides robustness against adversarial prompts, and supports sequential removal of diverse concepts. This positions our method as a practical approach for concept removal in frontier image generative models.
• Abstract（参考訳）: 画像生成モデルは、望ましくない視覚概念を含む、大規模な、主に未処理のインターネットスケールデータセットに基づいて訓練される。 出力画像の品質を劣化させることなく、モデル生成からそのような概念を効率的に取り除くことは、依然として困難である。 SD3.5, Flux, Infinity などのフロンティア拡散と画像自己回帰モデルに対する新しい概念除去手法を提案する。 我々の介入は、これらの近代モデルに存在する内部ボトルネック層をトランスコーダで置き換え、元のレイヤを異なるアクティベーション機能に構造化しながら、元のレイヤを再現するように訓練する。 このインプレース置換は、モデル動作の残りの部分を保存しながら、概念固有の信号を選択的に無効にすることができる統合フィルタを生成する。 介入は外部コンポーネントをアタッチするのではなく、モデルバックボーンを変更するため、ホワイトボックスアクセスの下では継続する。 実験的に、現代の拡散モデルや自己回帰モデルにまたがる最先端の概念除去性能を実現し、視覚的生成品質を維持し、敵のプロンプトに対して堅牢性を提供し、多様な概念の逐次的除去をサポートする。 本手法はフロンティア画像生成モデルにおける概念除去の実践的アプローチとして位置づけられる。

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)
• Obliviate: Erasing Concepts from Autoregressive Image Generation Models [6.871083333377967]
  我々は,自己回帰画像生成のためのガイダンスに基づく概念消去手法であるObliviateを紹介する。 我々はObliviateを3つの最新自己回帰的テキスト・イメージモデル、Liquid, Emu3-Gen, Janus-Proで評価した。 Obliviateは現在の選択肢を一貫して上回り、防御的なRABベンチマークのヌードを91.58から3.15に減らし、全体のモデルユーティリティを保った。
  論文  参考訳（メタデータ） (2026-06-26T22:56:54Z)
• EraseAnything++: Enabling Concept Erasure in Rectified Flow Transformers Leveraging Multi-Object Optimization [18.80236205171204]
  EraseAnything++は、画像拡散モデルとビデオ拡散モデルの両方において概念消去のための統一されたフレームワークである。 本手法は,鍵となる視覚的表現を消去し,空間的・時間的次元にわたって一貫した伝播を行う。 ビデオ設定では、アンカー・アンド・プロパゲート機構により、参照フレームの消去を初期化し、その後のトランスフォーマー層を通して強制する一貫性をさらに強化する。
  論文  参考訳（メタデータ） (2026-03-01T08:13:05Z)
• 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)
• TRACE: Trajectory-Constrained Concept Erasure in Diffusion Models [0.0]
  概念消去は、生成モデルにおいて特定の概念情報を削除または抑制することを目的としている。 Trajectory-Constrained Attentional Concept Erasure (TRACE) は拡散モデルから対象概念を消去する新しい手法である。 TRACEは最先端のパフォーマンスを実現し、ANT、EraseAnything、MACEといった最近の手法よりも、除去効率と出力品質の点で優れています。
  論文  参考訳（メタデータ） (2025-05-29T10:15:22Z)
• DuMo: Dual Encoder Modulation Network for Precise Concept Erasure [75.05165577219425]
  非ターゲット概念に対する最小限の障害を伴う不適切なターゲット概念の正確な消去を実現するDuMo(Dual Encoder Modulation Network)を提案する。 提案手法は, 明示的コンテンツ消去, カートゥーン概念除去, アーティスティックスタイル消去における最先端性能を実現し, 代替手法よりも明らかに優れている。
  論文  参考訳（メタデータ） (2025-01-02T07:47:34Z)
• Unlearning Concepts in Diffusion Model via Concept Domain Correction and Concept Preserving Gradient [20.698305103879232]
  我々はtextbfDoCo (textbfDomaintextbfCorrection) という新しい概念領域補正フレームワークを提案する。 本手法は, 対象概念の包括的未学習を保証し, 先進的学習を通して, センシティブな概念とアンカーの概念の出力領域を整合させることにより, 対象概念の包括的未学習を確実にする。 また、矛盾する勾配成分を緩和し、特定の概念を学習しながらモデルの実用性を維持するための概念保存的勾配手術手法も導入する。
  論文  参考訳（メタデータ） (2024-05-24T07:47:36Z)
• All but One: Surgical Concept Erasing with Model Preservation in Text-to-Image Diffusion Models [22.60023885544265]
  大規模なデータセットには、性的に明示的な、著作権のある、または望ましくないコンテンツが含まれており、モデルがそれらを直接生成することができる。 拡散モデルにおける概念消去に取り組むために、ファインチューニングアルゴリズムが開発された。 これらの課題をすべて解決する新しいアプローチを提示します。
  論文  参考訳（メタデータ） (2023-12-20T07:04:33Z)
• Towards Safe Self-Distillation of Internet-Scale Text-to-Image Diffusion Models [63.20512617502273]
  テキストから画像への拡散モデルにおいて,問題のあるコンテンツ生成を防止するため,SDDと呼ばれる手法を提案する。 本手法は,画像の全体的な品質を劣化させることなく,生成した画像から有害なコンテンツをはるかに多く除去する。
  論文  参考訳（メタデータ） (2023-07-12T07:48:29Z)
• Ablating Concepts in Text-to-Image Diffusion Models [57.9371041022838]
  大規模テキスト・画像拡散モデルでは、強力な構成能力を持つ高忠実度画像を生成することができる。 これらのモデルは典型的には膨大な量のインターネットデータに基づいて訓練されており、しばしば著作権のある資料、ライセンスされた画像、個人写真を含んでいる。 本稿では,事前訓練されたモデルにおいて,目標概念の生成を防止し,効率的に概念を宣言する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-23T17:59:42Z)

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。