論文の概要: Efficient bias mitigation in T2I diffusion models using Concept Graphs
- arxiv url: http://arxiv.org/abs/2607.03397v1
- Date: Fri, 03 Jul 2026 14:58:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.604912
- Title: Efficient bias mitigation in T2I diffusion models using Concept Graphs
- Title（参考訳）: 概念グラフを用いたT2I拡散モデルの効率的なバイアス緩和
- Abstract要約: テキストから画像への拡散モデルは、しばしばトレーニングデータから継承された有害なバイアスを伝播する。
本稿では,概念グラフアライメントに基づく新しいバイアス緩和手法であるCO-ALIGNを紹介する。
テキストエンコーダとデノイザの概念を整列することにより、CO-ALIGNは実質的なバイアス低減を実現する。
- 参考スコア（独自算出の注目度）: 5.471223832458531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-to-Image diffusion models often propagate harmful bias inherited from the training data. Existing bias mitigation techniques typically intervene only at the text encoder or provide inference-time guidance, often leading to generations that collapse into semantically incoherent outputs. To address these limitations, we introduce CO-ALIGN (Concept Ontology Alignment), a novel bias mitigation approach based on concept-graph alignment that operates on the model's internal concept ontology. By aligning concepts within the text encoder and denoiser, CO-ALIGN achieves substantial bias reduction while preserving generative integrity. We demonstrate the effectiveness of concept-graph alignment across three paradigms: text-encoders, denoisers and joint text-denoiser ontology alignment. CO-ALIGN outperforms the state of the art, improving fairness by $30\%$, $ΔFID=11.4$ in image quality, $2.8\%$ in image fidelity, all while reducing semantically incoherent outputs by $88\%$. Beyond bias mitigation, we show that CO-ALIGN benefits other downstream tasks as well. In particular, our experiments demonstrate that better-aligned internal ontologies enhance concept unlearning robustness across multiple unlearning techniques.
- Abstract（参考訳）: テキストから画像への拡散モデルは、しばしばトレーニングデータから継承された有害なバイアスを伝播する。
既存のバイアス緩和技術は、典型的にはテキストエンコーダにのみ介入し、推論時のガイダンスを提供する。
これらの制約に対処するため,モデルの内部概念オントロジーに基づく概念グラフアライメントに基づく新しいバイアス緩和手法であるCO-ALIGN(Concept Ontology Alignment)を導入する。
テキストエンコーダとデノイザの概念を整列させることで、CO-ALIGNは生成的整合性を維持しながらかなりのバイアス低減を実現する。
本稿では,テキストエンコーダ,デノイザ,共同テキストデノイザオントロジーアライメントという3つのパラダイムにおける概念グラフアライメントの有効性を示す。
CO-ALIGNは最先端技術より優れており、画質は$30\%、$ΔFID=11.4$、画像忠実度は$2.8\%、セマンティックアンコヒーレント出力は8.8\%である。
バイアス緩和以外にも、CO-ALIGNは他の下流タスクにもメリットがあることが示される。
特に,本実験では,より整合性のある内部オントロジが,複数の未学習手法をまたいだ無学習ロバストネスを向上することを示した。
関連論文リスト
- MUtE: A Dual Framework for Concept Erasure and Counterfactual Interventions [0.0]
表現から概念固有の情報を消去することは、バイアスを緩和したり、モデル決定を解釈するのに有用であることが証明されている。
我々は、決定論的、二重対実写像を自然に誘導する新しい消去関数のクラスを導出するために、概念消去の最適境界を再考する。
論文 参考訳（メタデータ） (2026-09-10T08:47:11Z) - Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。
これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。
複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-09-09T09:07:40Z) - Embedding Arithmetic: A Lightweight, Tuning-Free Framework for Post-hoc Bias Mitigation in Text-to-Image Models [0.34410212782758043]
現代のテキスト・トゥ・イメージ(T2I)モデルは有害な社会的バイアスを増幅し、倫理的展開に挑戦する。
本稿では,社会的偏見を確実に軽減し,素早い意味論と視覚的文脈をそのまま維持する推論時手法を提案する。
モデルが社会的概念をどのように表現しているかを特徴付けることにより、より透明で制御可能で公平な画像生成への原則的経路として、潜在空間の幾何学的理解を確立する。
論文 参考訳（メタデータ） (2026-04-20T12:28:41Z) - End-to-End Training for Unified Tokenization and Latent Denoising [82.91537591286554]
統一トークン化と潜伏拡散のためのオートエンコーダアーキテクチャUNITEを提案する。
UNITEは、画像トークン化器と重量共有による潜伏ジェネレータの両方として機能するジェネレータで構成されている。
トークン化とスクラッチ生成の単一段階共同訓練が実現可能であることを示す。
論文 参考訳（メタデータ） (2026-03-23T17:59:49Z) - V-Co: A Closer Look at Visual Representation Alignment via Co-Denoising [65.5867130156805]
統合JTフレームワークにおける視覚的コデノゲーションの体系的研究であるV-Coについて述べる。
本研究は,視覚的コデノジングを効果的に行うための4つの重要な要素を明らかにする。
V-Coは、基礎となる画素空間拡散ベースラインと強い前の画素拡散法より優れている。
論文 参考訳（メタデータ） (2026-03-17T17:01:54Z) - Localized Concept Erasure in Text-to-Image Diffusion Models via High-Level Representation Misdirection [7.863370847022858]
本稿では,テキストエンコーダにおけるハイレベルな意味表現を指定されたベクトルに対して誤って誘導するハイレベル表現ミスダイレクト(HiRM)を提案する。
我々の戦略は、無関係な概念に対する最小限の影響で正確な概念除去を可能にする。
また、HIRMは、低コストで生成ユーティリティを保存し、Fluxのような最先端のアーキテクチャに追加のトレーニングなしで移行し、デノイザベースの概念消去手法と相乗効果を示す。
論文 参考訳（メタデータ） (2026-02-23T09:18:27Z) - Dual-Representation Image Compression at Ultra-Low Bitrates via Explicit Semantics and Implicit Textures [26.444951124177013]
事前学習モデルから先行モデルを活用する生成的圧縮手法が,有望なパラダイムとして出現している。
既存のアプローチは、意味的忠実性と知覚的リアリズムのトレードオフによって制約される。
本稿では,このギャップを埋める統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-05T02:14:05Z) - Unsupervised Synthetic Image Attribution: Alignment and Disentanglement [55.853285140682665]
そこで我々は,アライメント・アンド・ディスタングルメント(Alignment and Disentanglement)という,シンプルで効果的な教師なしの手法を提案する。
具体的には、コントラッシブな自己教師あり学習を用いて基本的な概念アライメントを実行することから始める。
次に、Infomax損失による表現のゆがみを促進することにより、モデルの属性能力を高める。
論文 参考訳（メタデータ） (2026-01-30T07:31:53Z) - DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。
DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。
SLIMはセマンティックリークに特化した最初のデータセットである。
論文 参考訳（メタデータ） (2025-10-16T17:39:21Z) - 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) - DDAE++: Enhancing Diffusion Models Towards Unified Generative and Discriminative Learning [53.27049077100897]
生成前訓練は差別的な表現をもたらし、統一された視覚生成と理解への道を開くことが示されている。
この研究は自己条件付けを導入し、ネットワークに固有のリッチなセマンティクスを内部的に活用し、独自のデコード層をガイドする。
提案手法は、FIDの生成と認識の精度を1%の計算オーバーヘッドで向上させ、多様な拡散アーキテクチャで一般化する。
論文 参考訳（メタデータ） (2025-05-16T08:47:16Z) - Concept Steerers: Leveraging K-Sparse Autoencoders for Test-Time Controllable Generations [5.2956273221301835]
テキスト・ツー・イメージ生成モデルは、敵対的な攻撃をしがちであり、不安全で非倫理的なコンテンツを不注意に生成する。
我々は,k-スパースオートエンコーダ(k-SAE)を活用して,効率的な,解釈可能な概念操作を実現する新しいフレームワークを提案する。
提案手法は, 安全でない概念除去において$mathbf20.01%$の改善を実現し, スタイル操作に有効であり, 現在の最先端技術よりも$mathbfsim5$x高速である。
論文 参考訳（メタデータ） (2025-01-31T11:52:47Z) - AdvAnchor: Enhancing Diffusion Model Unlearning with Adversarial Anchors [61.007590285263376]
セキュリティ上の懸念から、研究者たちは微調整によって不適切な概念を学ばざるを得なくなった。
最近の微調整手法は、望ましくない概念を排除し、他の概念を保存することの間のかなりの性能のトレードオフを示す。
本稿では,貿易問題を軽減するために,敵対的アンカーを生成する新しいアプローチであるAdvAnchorを提案する。
論文 参考訳（メタデータ） (2024-12-28T04:44:07Z)
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。