論文の概要: TINA+: Probing Residual Visual Knowledge in Unlearned Diffusion Models via Diffusion-Consistent Text-Free Inversion

• arxiv url: http://arxiv.org/abs/2608.17747v1
• Date: Tue, 18 Aug 2026 13:11:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.347444
• Title: TINA+: Probing Residual Visual Knowledge in Unlearned Diffusion Models via Diffusion-Consistent Text-Free Inversion
• Title（参考訳）: TINA+:拡散型テキスト・フリー・インバージョンによる未学習拡散モデルにおける残留視覚的知識の探索
• Abstract要約: 生成軌道が消去された概念の視覚的事例を再構成できるかどうかを検討する。 null-text条件の下では、標準の反転はテキストの経路を避けるが、近似誤差を増幅し、忠実な軌道回復を妨げる。 我々は、最適化ベースのインバージョンを備えた拡散一貫性のあるテキストフリーインバージョンであるTina+を紹介する。
• 参考スコア（独自算出の注目度）: 92.56562999211809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although text-to-image diffusion models exhibit remarkable generative power, concept erasure techniques are essential for preventing harmful content. Existing adversarial probes evaluate these methods by testing whether erased concepts can still be recovered. However, existing erasure and probe methods remain largely text-centric, focusing on whether the text-to-image mapping is severed while overlooking whether the corresponding visual knowledge remains. To investigate this question from a visual perspective, we leverage diffusion inversion to probe whether a generative trajectory can reconstruct visual instances of an erased concept. Under a null-text condition, standard inversion avoids the textual pathway but amplifies approximation errors, hindering faithful trajectory recovery. To address this challenge, we introduce TINA+, a diffusion-consistent Text-free INversion Attack equipped with optimization-based inversion. We also find that unconstrained diffusion inversion may discover spurious trajectories, even allowing a randomly initialized diffusion model to reconstruct the target concept. Such trajectories may falsely indicate residual visual knowledge. TINA+ therefore introduces Diffusion-Consistent Trajectory Regularization to suppress this failure mode. By penalizing trajectories that fall far below the expected marginal energy evolution of diffusion, TINA+ suppresses spurious inversion paths while preserving its ability to recover erased concepts. Experiments across twelve erasure methods, four concept-erasure tasks, and different model architectures demonstrate that TINA+ reliably probes residual visual knowledge through diffusion-consistent visual trajectories. These results provide stronger evidence that current methods often obscure concepts by severing text-image links rather than eliminating the underlying visual knowledge.
• Abstract（参考訳）: テキスト・ツー・イメージ拡散モデルには顕著な生成力があるが, 有害なコンテンツの防止には, 概念消去技術が不可欠である。 既存の敵プローブは、消去された概念をまだ回収できるかどうかを調べることによって、これらの手法を評価する。 しかし,既存の消去・探索手法はテキスト中心のままであり,対応する視覚的知識が残存するかどうかを見極めながら,テキスト・画像マッピングが切断されるかどうかに焦点が当てられている。 この問題を視覚的観点から検討するため、拡散反転を利用して、生成軌道が消去された概念の視覚的インスタンスを再構築できるかどうかを探索する。 null-text条件の下では、標準の反転はテキストの経路を避けるが、近似誤差を増幅し、忠実な軌道回復を妨げる。 この課題に対処するために、最適化ベースのインバージョンを備えた拡散一貫性のあるテキストフリーインバージョンアタックであるTINA+を導入する。 また、制約のない拡散反転は、ランダムに初期化された拡散モデルがターゲット概念を再構成することさえ可能であり、急激な軌跡を発見する可能性があることも見出した。 このような軌跡は、視覚的知識の残存を誤認する可能性がある。 そのため、TINA+は拡散一貫性軌道規則化を導入し、この障害モードを抑える。 拡散の予想限界エネルギー進化よりはるかに低い軌道を罰することにより、TINA+は、消去された概念を回復する能力を維持しながら、急激な反転経路を抑える。 12の消去方法、4つの概念評価タスク、異なるモデルアーキテクチャによる実験により、TINA+は拡散一貫性のある視覚軌跡を通して残留した視覚的知識を確実に探索することを示した。 これらの結果は、基礎となる視覚的知識を排除するのではなく、テキスト画像リンクを切断することで、現在の手法がしばしば曖昧な概念を曖昧にすることの強い証拠となる。

関連論文リスト

• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• TINA: Text-Free Inversion Attack for Unlearned Text-to-Image Diffusion Models [92.56562999211809]
  テキスト中心のパラダイムは、消去とテキスト・ツー・イメージマッピングの厳密さを同一視し、望ましくない概念に関する基礎となる視覚的知識が今も続いていることを無視する。 我々は、この視覚のみのプローブをNull-text条件下で動作させることで、新しいテキストフリーのインバージョンアタックであるTinaを紹介する。 我々の実験では、Tinaは最先端の未学習モデルから消去された概念を再生することを示した。
  論文  参考訳（メタデータ） (2026-03-18T15:25:03Z)
• ReLAPSe: Reinforcement-Learning-trained Adversarial Prompt Search for Erased concepts in unlearned diffusion models [12.021923446217722]
  マシン・アンラーニングは、テキスト・ツー・イメージ拡散モデルから不正な概念を取り除くための鍵となる防御メカニズムである。 この漏洩を悪用する既存の敵のアプローチは、基本的な制限によって制約される。 本稿では,ReLAPSeについて紹介する。ReLAPSeは,概念回復を強化学習問題として再編成する政策ベースの敵対的枠組みである。
  論文  参考訳（メタデータ） (2026-01-30T21:56:50Z)
• LURE: Latent Space Unblocking for Multi-Concept Reawakening in Diffusion Models [24.332916173317113]
  概念消去は拡散モデルにおけるセンシティブなコンテンツを抑制することを目的としている。 最近の研究では、消去された概念は再起動可能であることが示されており、消去方法の脆弱性が明らかにされている。 生成過程を暗黙の関数としてモデル化し、複数の因子の包括的な理論的分析を可能にする。
  論文  参考訳（メタデータ） (2026-01-20T10:39:11Z)
• 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)
• 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)
• Diffusion Model with Cross Attention as an Inductive Bias for Disentanglement [58.9768112704998]
  遠方表現学習は、観測データ内の本質的要因を抽出する試みである。 我々は新しい視点と枠組みを導入し、クロスアテンションを持つ拡散モデルが強力な帰納バイアスとなることを示す。 これは、複雑な設計を必要とせず、クロスアテンションを持つ拡散モデルの強力な解離能力を明らかにする最初の研究である。
  論文  参考訳（メタデータ） (2024-02-15T05:07:54Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)

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。