論文の概要: ScaleErasure: Inference-Time Minimal Intervention for Precise Concept Erasure in Next-Scale Autoregressive Image Generation
- arxiv url: http://arxiv.org/abs/2606.29282v1
- Date: Sun, 28 Jun 2026 09:03:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.86976
- Title: ScaleErasure: Inference-Time Minimal Intervention for Precise Concept Erasure in Next-Scale Autoregressive Image Generation
- Title（参考訳）: ScaleErasure: 次世代自己回帰画像生成における精密概念消去のための推論時最小介入
- Abstract要約: 概念消去は、画像生成モデルが一般的な生成能力を保ちながら、安全でないコンテンツを生成するのを防ぐことを目的としている。
次世代自己回帰(AR)画像生成は,最近,次世代の予測を特徴とする新たな生成パラダイムとして登場した。
最小限の介入を行う推論時概念消去手法であるScaleErasureを提案する。
- 参考スコア（独自算出の注目度）: 22.103915198274105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concept erasure aims to prevent image generative models from producing unsafe content while preserving their general generative capability. Meanwhile, next-scale autoregressive (AR) image generation has recently emerged as a new generative paradigm characterized by next-scale prediction, for which concept erasure remains largely unexplored. In this paradigm, semantic information is highly compressed at early scales, leading to severe entanglement between unsafe and unrelated semantics. In this paper, we propose ScaleErasure, an inference-time concept erasure method that performs minimal intervention. ScaleErasure precisely selects and guides predicted logits that are most relevant to the unsafe concept, thereby enabling effective erasure under severe semantic entanglement. Specifically, ScaleErasure performs two additional forward passes conditioned on the unsafe concept and the corresponding safe concept, and leverages their outputs to guide the target logits away from unsafe concepts toward safe concepts. To enable precise and minimal intervention, logits selection and guidance are conducted across three dimensions: scales, tokens, and bit channels. Experiments demonstrate that ScaleErasure outperforms adapted baselines in the next-scale AR paradigm, achieving more precise concept erasure while largely preserving general generative capability. The code is available at https://github.com/coziiizz/ScaleErasure.
- Abstract（参考訳）: 概念消去は、画像生成モデルが一般的な生成能力を保ちながら、安全でないコンテンツを生成するのを防ぐことを目的としている。
一方, 次世代自己回帰(AR)画像生成は, 概念消去が未解明のままである, 次世代の予測を特徴とする新たな生成パラダイムとして最近登場した。
このパラダイムでは、セマンティック情報は早期に高度に圧縮され、安全でないセマンティックスと無関係なセマンティックスの間に深刻な絡み合いが生じている。
本稿では,最小限の介入を行う推論時概念消去手法であるScaleErasureを提案する。
ScaleErasureは、安全でない概念に最も関係のある予測ロジットを正確に選択し、ガイドする。
具体的には、ScaleErasureは、安全でない概念とそれに対応する安全な概念に条件付けされた2つの追加のフォワードパスを実行し、その出力を活用して、安全でない概念から安全な概念へとターゲットロジットを誘導する。
精密かつ最小限の介入を可能にするため、ロジットの選択とガイダンスはスケール、トークン、ビットチャネルの3次元にわたって行われる。
実験により、ScaleErasureは、次のスケールのARパラダイムにおける適応ベースラインよりも優れ、より正確な概念消去を実現し、一般的な生成能力を保っていることが示された。
コードはhttps://github.com/coziiizz/ScaleErasure.comから入手できる。
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) - SACE: Concept Erasure at the Semantic Singularity in Visual Autoregressive Models [10.865745057624833]
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。
論文 参考訳（メタデータ） (2026-06-14T13:39:00Z) - Erasing Thousands of Concepts: Towards Scalable and Practical Concept Erasure for Text-to-Image Diffusion Models [30.409877438368724]
大規模テキスト・ツー・イメージ(T2I)拡散モデルでは、著作権のあるコンテンツのような望ましくないコンテンツを再生する能力のため、安全性のリスクが生じる。
概念の消去は緩和戦略として現れているが、既存のアプローチはスケーラビリティ、精度、堅牢性のバランスをとるのに苦労している。
我々は、世代品質を維持しながら数千のコンセプトを消去できるスケーラブルなフレームワークであるEasing Thousands of Concepts (ETC)を提示する。
論文 参考訳（メタデータ） (2026-04-12T10:39:41Z) - 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) - Zero-Residual Concept Erasure via Progressive Alignment in Text-to-Image Model [15.636542463543066]
概念消去は、事前訓練されたテキスト・ツー・イメージモデルがセマンティック・ハーミフルな概念に関連するコンテンツを生成するのを防ぐことを目的としている。
既存の手法は「非ゼロアライメント残差」による不完全消去をもたらすことが多い
より完全な概念消去と全体的な生成品質の保存を目的とした,新しいクローズドフォーム手法であるEraseProを提案する。
論文 参考訳（メタデータ） (2025-08-06T14:19:32Z) - SAGE: Exploring the Boundaries of Unsafe Concept Domain with Semantic-Augment Erasing [65.82241040239452]
望ましくない概念に微妙な重みを消去する概念。
既存の方法は、安全でない概念を固定語として扱い、繰り返し消去する。
本稿では,概念語消去を概念ドメイン消去に変換する意味拡張消去について紹介する。
論文 参考訳（メタデータ） (2025-06-11T03:21:24Z) - TRCE: Towards Reliable Malicious Concept Erasure in Text-to-Image Diffusion Models [53.937498564603054]
近年のテキスト・画像拡散モデルの進歩により、フォトリアリスティックな画像生成が可能になったが、NSFW画像のような悪意のあるコンテンツを生成するリスクもある。
リスクを軽減するため,概念消去手法が研究され,モデルが特定の概念を学習しやすくする。
本稿では,2段階のコンセプト消去戦略を用いて,信頼性の高い消去と知識保存の効果的なトレードオフを実現するTRCEを提案する。
論文 参考訳（メタデータ） (2025-03-10T14:37:53Z) - RealEra: Semantic-level Concept Erasure via Neighbor-Concept Mining [25.769144703607214]
概念消去は、モデルが保護され不適切な概念に関する知識を取り除くために提案されている。
この「概念残余」問題に対処するためにRealEraを提案する。
また,RealEraは,有効性,特異性,汎用性において,従来の消去方法よりも優れていたことを示す。
論文 参考訳（メタデータ） (2024-10-11T17:55:30Z) - Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models [76.39651111467832]
本稿では,Reliable and Efficient Concept Erasure (RECE)を提案する。
派生した埋め込みによって表現される不適切なコンテンツを緩和するために、RECEはそれらをクロスアテンション層における無害な概念と整合させる。
新たな表現埋め込みの導出と消去を反復的に行い、不適切な概念の徹底的な消去を実現する。
論文 参考訳（メタデータ） (2024-07-17T08:04:28Z)
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。