論文の概要: GRACE: Adaptive Concept Erasure with Geometry-Guided Retention in Diffusion Models
- arxiv url: http://arxiv.org/abs/2609.12731v1
- Date: Fri, 11 Sep 2026 11:29:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 10:54:53.426035
- Title: GRACE: Adaptive Concept Erasure with Geometry-Guided Retention in Diffusion Models
- Title（参考訳）: GRACE:拡散モデルにおける幾何誘導保持による適応的概念消去
- Abstract要約: GRACEは、局所的かつ選択的介入を可能にするよう設計された、構造化された概念消去フレームワークである。
干渉方向を正確にロックするために,意味的に重み付けされたセンシティブな部分空間推定を導入する。
また、エネルギー駆動型動的ゲーティング機構を導入し、推論における介入のタイミングと強度を適応的に制御する。
- 参考スコア（独自算出の注目度）: 16.95462517490593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-image (T2I) diffusion models inevitably internalize sensitive or non-compliant concepts from large-scale pretraining data, necessitating post-hoc concept erasure. However, existing erasure methods often lack explicit constraints on parameter updates, leading to over-intervention and unintended semantic drift. In addition, many methods rely on manually crafted counterfactual supervision, such as surrogate prompts, which incurs substantial data construction costs that limit scalability to new concepts. To address these limitations, we propose GRACE, a structured concept erasure framework designed to enable localized and selective intervention. Specifically, we introduce a semantically weighted sensitive subspace estimation to precisely lock intervention directions, and employ lightweight subspace-constrained adapters to prevent global semantic disturbance. To eliminate the dependency on manual prompt engineering, we design an automatically decoupled safe-anchor mechanism. To mitigate semantic drift induced by excessive intervention, we introduce an energy-driven dynamic gating mechanism that adaptively controls the timing and strength of intervention at inference. Extensive experiments demonstrate that our method achieves a superior balance between erasure effectiveness and generation fidelity. Compared with the average performance of five state-of-the-art (SOTA) concept erasure methods, our method improves the fine-grained NSFW reduction rate by $17.86\%$, while reducing the macro-averaged target CLIP Score and preservation-oriented Fréchet Inception Distance (FID) by $4.75\%$ and $50.58\%$, respectively, indicating stronger concept suppression with substantially improved preservation of the original model's generative utility.
- Abstract（参考訳）: テキスト・ツー・イメージ(T2I)拡散モデルは、大規模な事前学習データから必然的に機密性や非コンプライアンスの概念を内部化し、ポストホック概念の消去を必要とする。
しかし、既存の消去手法はパラメータ更新に明示的な制約を欠くことが多く、過剰な介入と意図しない意味の漂流につながる。
さらに、サロゲートプロンプトのような手作業による対物監視に依存しており、新しい概念にスケーラビリティを制限したデータ構築コストがかなりかかる。
これらの制約に対処するため,我々は,局所的かつ選択的介入を可能にする構造的概念消去フレームワークであるGRACEを提案する。
具体的には、干渉方向を正確にロックするために意味的に重み付けされたセンシティブなサブスペース推定を導入し、グローバルなセマンティックな乱れを防ぐために軽量なサブスペース制約付きアダプタを用いる。
手動のプロンプトエンジニアリングへの依存を排除するため、自動で分離された安全なアンカー機構を設計する。
過度の介入によって引き起こされるセマンティックドリフトを緩和するために、推論における介入のタイミングと強度を適応的に制御するエネルギー駆動型動的ゲーティング機構を導入する。
大規模な実験により, 消去効率と生成忠実度とのバランスが良好であることを実証した。
提案手法は,5種類のSOTA(State-of-the-art-the-art)概念消去法の平均性能と比較し,マクロ平均値であるCLIPスコアと保存指向のFréchet Inception Distance(FID)をそれぞれ4.75 %,50.58 %と下げつつ,粒度の細かいNSFW削減率を17.86 %で改善し,原モデルの再生ユーティリティの大幅な改善を図った。
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) - PEAK: Precise and Persistent Concept Erasure via k-Sparse Autoencoders [25.995968388013555]
大規模なテキスト・ツー・イメージ(T2I)拡散モデルによる概念の消去は、著作権侵害、プライバシー侵害、攻撃的コンテンツに対する懸念が高まっているため、ますます重要になっている。
我々は,k-Sparse Autoencoders (kSAEs) を用いたtextbftextitprecise と textbftextitpersistent の概念消去フレームワーク PEAK を提案する。
論文 参考訳（メタデータ） (2026-08-11T14:38:01Z) - IB-Flow: Information Bottleneck-Guided CFG Distillation for Few-Step Text-to-Image Generation [9.17007090517294]
自由誘導軌道を対象とする蒸留は2次元圧縮パラダイムとして広く普及している。
我々は、情報理論の理論レンズを通して蒸留プロセスを再検討する。
本稿では、難解なKL分散制約をゼロオーバーヘッド閉形式解に変換するインスタンス認識選択機構を提案する。
論文 参考訳（メタデータ） (2026-07-10T06:43:43Z) - 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) - 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) - Dynamic Eraser for Guided Concept Erasure in Diffusion Models [0.0]
本稿では,動的セマンティックステアリング(DSS)について述べる。
DSSは平均消去率91.0%を達成し、SOTA法(18.6%から85.9%)を著しく上回り、出力忠実度にはほとんど影響を与えない。
論文 参考訳（メタデータ） (2026-04-13T02:25:14Z) - Bridging Semantic and Kinematic Conditions with Diffusion-based Discrete Motion Tokenizer [55.9892973179428]
MoTokは、セマンティックな抽象化をきめ細かな再構築から切り離す離散モーショントークンである。
また,HumanML3Dでは,トークンの6分の1しか使用せず,MaskControl上での制御性と忠実度を大幅に向上する。
論文 参考訳（メタデータ） (2026-03-19T17:59:51Z) - ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。
現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。
本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
論文 参考訳（メタデータ） (2025-08-19T12:13:41Z) - 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) - SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models [56.83154571623655]
モデルパラメータを直接編集する効率的な概念消去手法であるSPEEDを導入する。
Speedyは、パラメータ更新がターゲット以外の概念に影響しないモデル編集スペースであるnullスペースを検索する。
たった5秒で100のコンセプトを消去しました。
論文 参考訳（メタデータ） (2025-03-10T14:40:01Z) - 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。