論文の概要: Motion Concept Unlearning in Video Diffusion Models

• arxiv url: http://arxiv.org/abs/2609.36832v1
• Date: Tue, 29 Sep 2026 06:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.244442
• Title: Motion Concept Unlearning in Video Diffusion Models
• Title（参考訳）: ビデオ拡散モデルにおける運動概念の学習
• Abstract要約: ビデオ拡散変換器(DiT)における運動概念消去の系統的研究について述べる。 テキストコンディショニング・アテンションは、概念固有の動作情報を持ち、選択的介入を支援することを示す。 我々は,運動概念消去の要件として,概念的特異性,空間的選択性,時間的自然性の3つを導出した。
• 参考スコア（独自算出の注目度）: 6.895055915600732
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-video (T2V) diffusion models can generate realistic depictions of actions such as kicking, stabbing, and shooting, raising safety concerns that motivate targeted concept erasure. Although concept erasure has been extensively studied for static concepts in text-to-image and T2V models, erasing motion concepts remains largely unexplored. We present a systematic study of motion concept erasure in video Diffusion Transformers (DiTs). Through causal interventions, we show that text-conditioning attention carries concept-specific motion information and supports selective intervention, whereas perturbing temporal positional encoding suppresses both target and non-target dynamics. We further find that directly adapting ESD, a representative weight-level image erasure method, to a video DiT yields modest and uneven motion suppression: reducing its erasure training loss does not by itself remove the concept signal from the difference between the conditional and unconditional predictions, which classifier-free guidance (CFG) then scales at every denoising step. From these findings, we derive three requirements for motion concept erasure: concept specificity, spatial selectivity, and temporal naturalness. Each determines one component of MUTE (Motion concept Unlearning in Text-to-video gEneration): at each denoising step, MUTE extracts a concept direction through token neutralization, derives a spatial gate from the direction's intrinsic structure, and subtracts the resulting correction from the velocity output before CFG is applied. MUTE is training-free and requires no weight modification. Experiments on 20 motion concepts show that MUTE outperforms representative prompt-level, weight-level, and inference-time baselines on Wan2.1-T2V, and the same formulation transfers to CogVideoX, supporting its applicability across distinct T2V attention architectures.
• Abstract（参考訳）: テキスト・ツー・ビデオ(T2V)拡散モデルは、蹴り、刺し、シューティングといったアクションの現実的な描写を生成できる。 概念消去はテキスト・ツー・イメージモデルやT2Vモデルにおいて静的概念として広く研究されているが、運動概念の消去は未解明のままである。 ビデオ拡散変換器(DiT)における運動概念消去の系統的研究について述べる。 因果的介入を通じて、テキスト条件付注意が概念固有の動作情報を持ち、選択的介入を支援するのに対し、摂動的時間的位置エンコーディングはターゲットと非ターゲットの両方のダイナミクスを抑制することを示す。 さらに,映像の重みレベルの画像消去手法であるESDを直接適用することで,モデストと不均一な動き抑制が得られ,その消去訓練損失を減らすことは,条件付きと無条件の予測の差から概念信号を取り除き,分類器なし誘導(CFG)は各段階ごとにスケールする。 これらの結果から,運動概念の消去には,概念的特異性,空間的選択性,時間的自然性という3つの要件が導出された。 MUTE(Motion concept Unlearning in Text-to-video gEneration)の1つのコンポーネントをそれぞれ決定し、各デノベーションステップでMUTEはトークン中和を通じて概念方向を抽出し、方向の固有構造から空間ゲートを導出し、CFGが適用される前の速度出力から結果の補正を減算する。 MUTEはトレーニング不要で、重量調整を必要としない。 20の運動概念の実験では、MUTEはWan2.1-T2V上でのプロンプトレベル、ウェイトレベル、推論タイムのベースラインよりも優れており、同じ定式化がCagVideoXに転送され、異なるT2Vアテンションアーキテクチャで適用可能であることが示されている。

関連論文リスト

• Native Video-Action Pretraining for Generalizable Robot Control [77.59831077077176]
  LingBot-VA 2.0は、エンボディメントのためにゼロから構築されたビデオアクション基盤モデルである。 高周波推論の要求を満たすため,本モデルは疎いMOEバックボーンを用いる。 現実のデプロイメントは、堅牢な基盤モデルとしてLingBot-VA 2.0を検証する。
  論文  参考訳（メタデータ） (2026-07-09T16:15:43Z)
• MotionCFG: Boosting Motion Dynamics via Stochastic Concept Perturbation [60.48914865049489]
  MotionCFGは、ターゲットコンセプトとノイズブレーブの概念を対比することにより、モーションダイナミクスを強化するフレームワークである。 明示的な否定とは異なり、このアプローチはグローバルな意味的アイデンティティをシフトすることなく暗黙的な否定的なガイダンスを促進する。 MotionCFGは、最先端のT2Vフレームワーク間のモーションダイナミクスを一貫して改善する。
  論文  参考訳（メタデータ） (2026-03-14T18:39:37Z)
• 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)
• IM-Animation: An Implicit Motion Representation for Identity-decoupled Character Animation [58.297199313494]
  インプシット法は、動画から直接動作の意味をキャプチャするが、動作と外観の絡み合いやアイデンティティの漏洩に悩まされる。 本稿では,フレームごとの動作をコンパクトな1次元モーショントークンに圧縮する新しい暗黙の動作表現を提案する。 本手法では,3段階のトレーニング戦略を用いて,トレーニング効率を高め,高い忠実性を確保する。
  論文  参考訳（メタデータ） (2026-02-07T11:17:20Z)
• 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)
• Separate Motion from Appearance: Customizing Motion via Customizing Text-to-Video Diffusion Models [31.84209035471775]
  動きのカスタマイズは、拡散モデル(DM)に適応して、同じ動きの概念の一連のビデオクリップによって指定された動きを持つビデオを生成することを目的としている。 本稿では,TAP (temporal attention purification) とAH ( appearance highway) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-28T05:40:20Z)
• Priority-Centric Human Motion Generation in Discrete Latent Space [59.401128190423535]
  テキスト・ツー・モーション生成のための優先中心運動離散拡散モデル(M2DM)を提案する。 M2DMは、コード崩壊に対処するために、グローバルな自己注意機構と正規化用語を組み込んでいる。 また、各動きトークンの重要度から決定される革新的なノイズスケジュールを用いた動き離散拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T10:40:16Z)

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。