論文の概要: FlowErase-OPD: Multi-Concept Erasure via Anchored On-Policy Distillation in Flow Matching Models
- arxiv url: http://arxiv.org/abs/2608.07620v1
- Date: Fri, 07 Aug 2026 08:58:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.459489
- Title: FlowErase-OPD: Multi-Concept Erasure via Anchored On-Policy Distillation in Flow Matching Models
- Title（参考訳）: FlowErase-OPD: Anchored On-Policy Distillation in Flow Matching Models (特集:バイオサイバネティックスとバイオサイバネティックス)
- Abstract要約: FlowErase-OPDはオンライン蒸留(OPD)に基づく多概念消去のためのフレームワーク
提案手法はまず,複数の単一概念消去モデルを統一LoRAモジュールに蒸留し,Anchored Multi-Teacher Distillation (AMTD)を導入する。
ヌード性、対象物、芸術的消去の実験により、FlowErase-OPDは、消去効果、画質、セマンティックアライメントのトレードオフを一貫して改善することを示した。
- 参考スコア（独自算出の注目度）: 11.142782377709409
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in flow matching models have substantially improved the quality of text-to-image generation, but have also raised increasing safety concerns due to their potential to generate harmful or undesirable content. Existing concept erasure methods for flow matching models predominantly focus on removing individual concepts, while effectively erasing multiple concepts simultaneously remains challenging. We propose FlowErase-OPD, a framework for multi-concept erasure based on on-policy distillation (OPD). Our approach first distills multiple single-concept erased models into a unified LoRA module and introduces Anchored Multi-Teacher Distillation (AMTD), which incorporates a retention teacher to mitigate the trade-off between concept erasure and preservation of generative capabilities. To further improve the coordination of multiple erasure objectives, we develop Adaptive Retention Control (ARC), which dynamically adjusts the sampling frequency and loss weight of each erasure teacher, together with the relative contribution of erasure and retention teachers throughout training. Extensive experiments on nudity, object, and artistic-style erasure demonstrate that FlowErase-OPD consistently improves the trade-off between erasure effectiveness, image quality, and semantic alignment, achieving state-of-the-art performance across diverse multi-concept erasure settings. Furthermore, the resulting models exhibit strong robustness against adversarial attacks. These results highlight the potential of on-policy distillation as a principled framework for safe and controllable generation in flow matching models.
- Abstract（参考訳）: フローマッチングモデルの最近の進歩は、テキスト・ツー・イメージ生成の品質を大幅に向上させてきたが、有害または望ましくないコンテンツを生成する可能性があるため、安全性の懸念も高まっている。
フローマッチングモデルのための既存の概念消去手法は、主に個々の概念の除去に焦点をあてるが、同時に複数の概念を効果的に消去することは困難である。
オンライン蒸留(OPD)に基づく多概念消去のためのフレームワークであるFlowErase-OPDを提案する。
提案手法はまず,複数の単一概念消去モデルを統一されたLoRAモジュールに蒸留し,保持教師を取り入れたアンコレッド多教師蒸留(AMTD)を導入し,概念の消去と生成能力の保存のトレードオフを緩和する。
複数の消去目標の協調性を改善するため,各消去教師のサンプリング頻度と損失重量を動的に調整する適応的保持制御(ARC)を開発し,その学習を通じて,消去・保持教師の相対的貢献を図った。
ヌード性、オブジェクト、芸術的消去に関する広範な実験により、FlowErase-OPDは、消去効率、画質、セマンティックアライメントのトレードオフを一貫して改善し、多様なマルチコンセプト消去設定で最先端のパフォーマンスを達成することを示した。
さらに、結果として得られるモデルは、敵攻撃に対して強い堅牢性を示す。
これらの結果は、フローマッチングモデルにおける安全かつ制御可能な生成のための原則的枠組みとして、オンライン蒸留の可能性を強調している。
関連論文リスト
- Geometric Erasure by Contrastive Velocity Matching in Rectified Flows [16.74832704069658]
本稿では,Rectified Flowモデルのための簡易かつ高効率な消去フレームワークであるGEMを紹介する。
我々は,ジェネレーティブ・フロー・ネットワークを基盤としたトラジェクティブ・ベース・アンラーニングと,教師が指導する古典的消去の間に,原則的橋渡しを行う。
論文 参考訳（メタデータ） (2026-05-29T00:02:41Z) - 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) - 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) - Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。
当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
論文 参考訳（メタデータ） (2026-01-21T14:51:01Z) - 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) - DyME: Dynamic Multi-Concept Erasure in Diffusion Models with Bi-Level Orthogonal LoRA Adaptation [11.480659591569308]
テキストから画像への拡散モデルは、著作権のあるスタイルを不注意に再現し、視覚的概念を保護し、法的および倫理的懸念を提起する。
概念消去は、微調整によってそのような概念を選択的に抑制することを目的とした安全保護として登場した。
我々は、軽量でコンセプト固有のLoRAアダプタを訓練し、推論に必要なものだけを動的に構成するオンデマンド消去フレームワークDyMEを提案する。
論文 参考訳（メタデータ） (2025-09-25T15:16:17Z) - 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) - Efficient Fine-Tuning and Concept Suppression for Pruned Diffusion Models [93.76814568163353]
本稿では,2段階の拡散モデルに対する新しい最適化フレームワークを提案する。
このフレームワークは、微調整と未学習のプロセスを統一的なフェーズに統合する。
様々なプルーニングや概念未学習の手法と互換性がある。
論文 参考訳（メタデータ） (2024-12-19T19:13:18Z) - 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。