Fugu-MT 論文翻訳(概要): IREU: Identity-Related Encoder-Only Unlearning for Customized Portrait Generation

論文の概要: IREU: Identity-Related Encoder-Only Unlearning for Customized Portrait Generation

arxiv url: http://arxiv.org/abs/2606.29880v1
Date: Mon, 29 Jun 2026 07:18:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 18:07:16.092236
Title: IREU: Identity-Related Encoder-Only Unlearning for Customized Portrait Generation
Title（参考訳）: IREU: カスタマイズされたポートレート生成のためのアイデンティティ関連エンコーダのみの学習
Abstract要約: カスタマイズされたポートレート生成(CPG)技術は、高忠実度人物画像の生成に広く利用されている。これらの手法は、偽の視覚情報を広めることによって、重大なプライバシーリスクを引き起こす。そこで本研究では,CPGにおけるアイデンティティアンラーニング問題について検討する。
参考スコア（独自算出の注目度）: 19.143405461663175
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Customized Portrait Generation (CPG) technologies have been widely used to generate high-fidelity person images given an input image indicating the identity and a text prompt indicating the required edits. Yet these methods pose significant privacy risks by spreading fake visual information. Against such risks, each public generator should be able to suppress its generation ability for a particular person when requested. Therefore, in this work we investigate the identity unlearning problem for CPG. Since there are no previous methods in this field, we propose a simple baseline that updates the image encoder by minimizing identity similarity between generated and input images for target identities to be unlearned, while maximizing it for identities to be retained. However, we find such a global perturbation in the feature space harms the fidelity of generated images for other identities to be retained. To solve this problem, we propose a novel method IREU, which first locates identity-related features in an offline manner and then only performs feature perturbations on them. The experimental results show that our proposed method IREU achieves better identity unlearning performance for target identities to be unlearned, and also keeps high fidelity for other identities to be retained. In addition, our unlearned image encoder is generalizable across different generators with the same encoder without fine-tuning, which is friendly for deployment in practice.
Abstract（参考訳）: カスタマイズされたポートレート生成(CPG)技術は、アイデンティティを示す入力画像と必要な編集を示すテキストプロンプトが与えられた高忠実な人物画像を生成するために広く利用されている。しかし、これらの手法は偽の視覚情報を広めることによって、重大なプライバシーリスクをもたらす。このようなリスクに対して、各パブリックジェネレータは、要求されたときに特定の人の生成能力を抑えることができるべきである。そこで本研究では,CPGのアイデンティティ・アンラーニング問題について検討する。この分野では従来手法が存在しないため、生成した画像と入力画像の同一性を最小限に抑えつつ、同一性を保持するために最大化することで、画像エンコーダを更新する単純なベースラインを提案する。しかし, 特徴空間におけるこのような大域的摂動は, 生成した画像の忠実度を害し, 保持すべき他のアイデンティティを損なう。そこで本研究では,まず個人性に関連する特徴をオフラインで検出し,特徴摂動のみを実行するIREUを提案する。実験の結果,提案手法のIREUは,対象のアイデンティティを未学習にするために,より優れたアイデンティティ未学習性能を実現し,また,他のアイデンティティを保持するための忠実度を保っていることが明らかとなった。さらに、未学習の画像エンコーダは、ファインチューニングなしで同じエンコーダを持つ複数のジェネレータにまたがって一般化可能である。

関連論文リスト

Diff-ID: Identity Consistent Facial Image Generation and Morphing via Diffusion Models [42.651660700496606]
拡散に基づくフレームワークであるDiff-IDを導入し,フォトリアリスティックな品質を提供しながらアイデンティティの整合性を実現する。本稿では,ArcFaceのコサイン類似度と指数時間重み付けに基づく擬似識別器の損失を提案し,その識別精度を向上する。実験によると、Diff-IDは生のArcFace Face similarityにおいてInstantIDを超えていないが、FIDとFIQベースで最強のアイデンティティ-リアリズムのトレードオフを実現している。
論文参考訳（メタデータ） (2026-07-27T21:13:29Z)
Identity-Decoupled Anonymization for Visual Evidence in Multi-modal Retrieval-Augmented Generation [9.39195684989942]
Identity-Decoupled MRAGは、生成匿名化モジュールを検索と生成の間に介在するフレームワークである。提案手法は,各面を識別符号と空間的に構造化された属性コードに分解し,相互情報的ペナルティと勾配に基づく独立項で正規化する不整形変分エンコーダ,識別符号を元のものと現実とを区別することが保証された合成物に置換する多様体認識拒絶サンプリング器,および (iii)匿名化顔と置換IDとを合成する条件付き潜時拡散発生器からなる。
論文参考訳（メタデータ） (2026-04-26T07:42:33Z)
Adapter Shield: A Unified Framework with Built-in Authentication for Preventing Unauthorized Zero-Shot Image-to-Image Generation [74.5813283875938]
ゼロショット画像・画像生成は知的財産権侵害に重大なリスクをもたらす。この研究は、個人イメージを誤用から守ることを目的とした、最初の普遍的および認証統合ソリューションであるAdapter Shieldを提示する。提案手法は, ゼロショット画像合成の不正化において, 最先端の防御を克服する。
論文参考訳（メタデータ） (2025-11-25T04:49:16Z)
Beyond Inference Intervention: Identity-Decoupled Diffusion for Face Anonymization [55.29071072675132]
顔の匿名化は、非同一性属性を保持しながら、識別情報を隠蔽することを目的としている。トレーニング中心の匿名化フレームワークである textbfIDsuperscript2Face を提案する。 IDtextsuperscript2Faceは、視覚的品質、アイデンティティの抑制、ユーティリティ保存において、既存の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2025-10-28T09:28:12Z)
IDProtector: An Adversarial Noise Encoder to Protect Against ID-Preserving Image Generation [21.06493827123594]
本稿では,1つのフォワードパスのポートレート写真に対して,非知覚的な逆方向ノイズを印加する逆方向ノイズエンコーダであるIDProtectorを紹介する。我々のアプローチは、InstantID、IP-Adapter、PhotoMakerなど、最先端のエンコーダベースの複数のメソッドに対して、ポートレートを普遍的に保護する。
論文参考訳（メタデータ） (2024-12-16T10:27:48Z)
Generative Unlearning for Any Identity [6.872154067622779]
プライバシー問題に関連する特定の領域では、高度な生成モデルと強力な反転法が潜在的な誤用につながる可能性がある。生成的アイデンティティアンラーニング(generative identity unlearning)という,特定のアイデンティティのイメージを生成しないモデルを提案する。本稿では,1つの画像のみを用いて生成元をアンラーニングすることで,特定のアイデンティティの再構築を防止する新しいフレームワーク,GUIDE(Generative Unlearning for Any Identity)を提案する。
論文参考訳（メタデータ） (2024-05-16T08:00:55Z)
ID-Aligner: Enhancing Identity-Preserving Text-to-Image Generation with Reward Feedback Learning [57.91881829308395]
AIポートレートや広告といった幅広いアプリケーションシナリオのために、ID-T2I(ID-preserving text-to-image generation)が注目されている。我々は,ID-T2I性能を向上させるための一般的なフィードバック学習フレームワークである textbfID-Aligner を提案する。
論文参考訳（メタデータ） (2024-04-23T18:41:56Z)
StableIdentity: Inserting Anybody into Anywhere at First Sight [57.99693188913382]
一つの顔画像で同一性に一貫性のある再テクスチャ化を可能にするStableIdentityを提案する。私たちは、1つの画像から学んだアイデンティティを直接、微調整なしでビデオ/3D生成に注入する最初の人です。
論文参考訳（メタデータ） (2024-01-29T09:06:15Z)
Disentangle Before Anonymize: A Two-stage Framework for Attribute-preserved and Occlusion-robust De-identification [55.741525129613535]
匿名化前の混乱」は、新しい二段階フレームワーク(DBAF)であるこのフレームワークには、Contrastive Identity Disentanglement (CID)モジュールとKey-authorized Reversible Identity Anonymization (KRIA)モジュールが含まれている。大規模な実験により,本手法は最先端の非識別手法より優れていることが示された。
論文参考訳（メタデータ） (2023-11-15T08:59:02Z)
Identity Encoder for Personalized Diffusion [57.1198884486401]
パーソナライズのためのエンコーダに基づくアプローチを提案する。我々は、被写体の参照画像の集合からアイデンティティ表現を抽出できるアイデンティティエンコーダを学習する。提案手法は画像生成と再構成の両方において既存の微調整に基づくアプローチより一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-04-14T23:32:24Z)
Disguise without Disruption: Utility-Preserving Face De-Identification [40.484745636190034]
本研究では,修正データの利用性を確保しつつ,顔画像をシームレスに識別する新しいアルゴリズムであるDisguiseを紹介する。本手法は, 難読化と非可逆性を最大化するために, 変分機構を用いて生成した合成物を用いて, 描写されたアイデンティティを抽出し置換することを含む。提案手法を複数のデータセットを用いて広範に評価し,様々な下流タスクにおける従来の手法と比較して,高い非識別率と一貫性を示す。
論文参考訳（メタデータ） (2023-03-23T13:50:46Z)
Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
論文参考訳（メタデータ） (2023-03-20T17:34:05Z)

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。