論文の概要: HyperErase: Scale-Calibrated Hypernetwork for Multi-Concept Erasure in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2609.31154v1
• Date: Fri, 25 Sep 2026 11:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.368185
• Title: HyperErase: Scale-Calibrated Hypernetwork for Multi-Concept Erasure in Text-to-Image Models
• Title（参考訳）: HyperErase: テキスト・画像モデルにおけるマルチコンセプト消去のためのスケールキャリブレーションハイパーネットワーク
• Abstract要約: 本稿では,ハイパーネットワーク駆動型プロンプト条件パラメータ合成に基づく概念消去のためのフレームワークを提案する。 提案手法は、まず概念消去をプロンプト条件付きパラメータのアモート化として再設定する。 我々は、LoRAトークンをパターン化し、スケールする部分空間に分解する分離整形戦略を開発する。
• 参考スコア（独自算出の注目度）: 5.699994516235905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in text-to-image (T2I) generation have substantially improved visual synthesis, but have also raised increasing safety concerns due to their potential to generate harmful or undesirable content. Existing concept erasure methods predominantly follow a static weight paradigm, producing a single frozen adapter that struggles to adapt to diverse prompt variations and suffers from parameter interference when scaling to multiple concepts. We propose \textbf{HyperErase}, a framework for concept erasure based on hypernetwork-driven prompt-conditioned parameter synthesis. Our approach first reframes concept erasure as prompt-conditioned parameter amortization and trains a hypernetwork to map textual descriptions to prompt-specific LoRA updates, eliminating the need for per-prompt gradient optimization or manual LoRA merging. To further improve the stability and precision of synthesized adapters, we develop a decoupled rectification strategy, which disentangles LoRA tokens into pattern and scale subspaces, applies a square-root transform to curb multiplicative over-scaling, and leverages teacher-derived canonical priors for inference-time correction. Extensive experiments across major concept categories demonstrate that HyperErase consistently improves the trade-off between erasure effectiveness, image quality, and semantic alignment, achieving performance comparable to gold-standard single-concept baselines. Furthermore, the resulting models can provide specialized LoRAs for each input prompt variation in a single forward pass without requiring gradient updates during inference. These principled and flexible framework offers a new paradigm for concept erasure in T2I models.
• Abstract（参考訳）: テキスト・トゥ・イメージ(T2I)生成の最近の進歩は、視覚合成を大幅に改善しているが、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。 既存の概念消去法は主に静的ウェイトパラダイムに従っており、多様な急変に適応するのに苦労し、複数の概念にスケールする際のパラメータ干渉に悩まされる単一のフリーズアダプタを生成する。 ハイパーネットワーク駆動型プロンプト条件パラメータ合成に基づく概念消去のためのフレームワークである「textbf{HyperErase}」を提案する。 提案手法は,まず,概念消去をプロンプト条件付きパラメータのアモート化として再設定し,テキスト記述をプロンプト固有のLoRA更新にマッピングするハイパーネットワークを訓練することにより,プロンプト毎の勾配最適化や手動のLoRAマージの必要性を解消する。 合成アダプタの安定性と精度をさらに向上するため,LoRAトークンをパターンとスケールのサブ空間に分解し,乗算オーバースケーリングを抑制するために平方根変換を適用し,推論時間補正のために教師由来の標準的事前情報を活用する,分離整形戦略を開発した。 主要な概念カテゴリにわたる広範な実験により、HyperEraseは、消去の有効性、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、ゴールド標準のシングルコンセプトベースラインに匹敵するパフォーマンスを実現している。 さらに、結果のモデルでは、推論中に勾配更新を必要とせずに、入力プロンプトの変動を単一のフォワードパスで指定できる。 これらの原則とフレキシブルなフレームワークは、T2Iモデルにおける概念消去の新しいパラダイムを提供する。

関連論文リスト

• Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
  遅延不一致による冗長性を除去する学習自由フレームワークを提案する。 LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
  論文  参考訳（メタデータ） (2026-05-29T19:34:39Z)
• 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)
• Words & Weights: Streamlining Multi-Turn Interactions via Co-Adaptation [55.938648534942665]
  マルチターンインタラクション(T2PAM)に対するテスト時ポリシー適応は,大規模言語モデル(LLM)と動的ユーザニーズとの整合に不可欠である。 本稿では,単語と重みの不均一な空間上での相互作用を協調最適化問題として再構成するフレームワークであるROSA2を提案する。
  論文  参考訳（メタデータ） (2026-03-02T02:16:20Z)
• EraseAnything++: Enabling Concept Erasure in Rectified Flow Transformers Leveraging Multi-Object Optimization [18.80236205171204]
  EraseAnything++は、画像拡散モデルとビデオ拡散モデルの両方において概念消去のための統一されたフレームワークである。 本手法は,鍵となる視覚的表現を消去し,空間的・時間的次元にわたって一貫した伝播を行う。 ビデオ設定では、アンカー・アンド・プロパゲート機構により、参照フレームの消去を初期化し、その後のトランスフォーマー層を通して強制する一貫性をさらに強化する。
  論文  参考訳（メタデータ） (2026-03-01T08:13:05Z)
• 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)
• Beyond Degradation Redundancy: Contrastive Prompt Learning for All-in-One Image Restoration [109.38288333994407]
  コントラスト・プロンプト・ラーニング(Contrastive Prompt Learning, CPL)は、プロンプト・タスクのアライメントを根本的に強化する新しいフレームワークである。 本フレームワークは,パラメータ効率を保ちながら,新たな最先端性能を確立し,統一画像復元のための原理的ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-14T08:24:57Z)
• 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)
• EraseAnything: Enabling Concept Erasure in Rectified Flow Transformers [33.195628798316754]
  EraseAnythingは、最新のフローベースのT2Iフレームワークにおける概念消去に対処するために特別に開発された最初の方法である。 概念消去を二段階最適化問題として定式化し,LoRAに基づくパラメータチューニングとアテンションマップ正規化器を用いた。 本研究では,意図しない概念の除去が意図せず,無関係な概念のパフォーマンスを損なうことのない自己矛盾型学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-29T09:42:53Z)

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。