論文の概要: CLASP: Continual Low-rank Adapters for Spatially Placed Concepts from One Hypernetwork

• arxiv url: http://arxiv.org/abs/2610.01331v1
• Date: Thu, 01 Oct 2026 08:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.021708
• Title: CLASP: Continual Low-rank Adapters for Spatially Placed Concepts from One Hypernetwork
• Title（参考訳）: CLASP:1つのハイパーネットワークから空間配置された概念に対する連続的な低ランクアダプタ
• Abstract要約: テキストと画像の拡散モデルの継続的なパーソナライズには、以前に学習した概念を維持しながら、順次新しい概念を取得する必要がある。 固定サイズのハイパーネットワークを用いて凍結拡散モデルを継続的にパーソナライズするリハーサルフリーアプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.8373805990749266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual personalization of text-to-image diffusion models requires sequentially acquiring new concepts while retaining previously learned ones. However, existing methods either suffer from catastrophic forgetting or rely on storing additional concept-specific parameters and spatial components, causing their parameter footprint to grow with the concept stream. This limits their ability to scale to long sequences of personalization tasks. We propose a rehearsal-free approach that uses a single fixed-size hypernetwork to continually personalize a frozen diffusion model. Instead of expanding the model as new concepts are acquired, the hypernetwork dynamically produces the concept-specific adaptations required for personalization while preserving previously learned concepts. Our framework further integrates spatial control into the personalization process, allowing users to specify where a personalized concept should appear without introducing additional per-concept components. This formulation enables continual personalization with a parameter footprint that remains independent of the number of learned concepts, aside from compact concept representations. Experiments demonstrate strong retention of previously learned concepts and reliable spatial grounding, matching or improving upon existing methods while scaling effectively to long streams of personalization tasks.
• Abstract（参考訳）: テキストと画像の拡散モデルの継続的なパーソナライズには、以前に学習した概念を維持しながら、順次新しい概念を取得する必要がある。 しかし、既存の手法は破滅的な忘れ込みに悩まされるか、追加の概念固有のパラメータと空間的要素の保存に依存するかのいずれかであり、それらのパラメータフットプリントはコンセプトストリームで成長する。 これにより、パーソナライズタスクの長いシーケンスにスケールする能力が制限される。 固定サイズのハイパーネットワークを用いて凍結拡散モデルを継続的にパーソナライズするリハーサルフリーアプローチを提案する。 新しい概念が獲得されるにつれてモデルを拡張するのではなく、ハイパーネットワークは、以前に学習された概念を保存しながら、パーソナライズに必要な概念固有の適応を動的に生成する。 本フレームワークでは,空間制御をパーソナライズプロセスに統合し,パーソナライズされた概念がどこに現れるかを指定する。 この定式化は、コンパクトな概念表現の他に、学習された概念の数に依存しないパラメータフットプリントによる連続的なパーソナライズを可能にする。 実験は、以前に学習した概念の強い保持と、既存の手法のマッチングや改善の信頼性を示しながら、パーソナライズタスクの長いストリームに効果的にスケールする。

関連論文リスト

• Crafting Your Evolving Dreams: Concept-Incremental Versatile Customization [121.4559869519547]
  カスタム拡散モデル(CDM)は、パーソナライズされた概念を生成する能力のため、大きな関心を集めている。 本研究では,概念の多元的カスタマイズを可能にする新しいCCDM(Continuous Customizable Model Diffusion)を開発した。 概念無視の課題に対処するために,制御可能な地域文脈合成戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-03T12:22:51Z)
• CPC-VAR:Continual Personalized and Compositional Generation in Visual Autoregressive Models [69.9266117908314]
  VAR(Visual Autoregressive)モデルは、テキスト・ツー・イメージ生成の効率的なパラダイムとして登場した。 既存のVARベースのパーソナライズ方法は、進化するユーザ要求に対応できない。 VARモデルにおける連続的パーソナライズ生成に関する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2026-05-19T12:18:15Z)
• Mod-Adapter: Tuning-Free and Versatile Multi-concept Personalization via Modulation Adapter [57.49476151976054]
  テストタイムの微調整なしにオブジェクトと抽象概念を効果的にカスタマイズできるマルチコンセプトパーソナライズのためのチューニング不要な手法を提案する。 本手法は, 定量的, 質的, 人的評価によって支援された多概念パーソナライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-24T09:21:32Z)
• ConceptGuard: Continual Personalized Text-to-Image Generation with Forgetting and Confusion Mitigation [3.7816957214446103]
  ConceptGuardは、シフト埋め込み、コンセプトバインディングプロンプト、メモリ保存正規化を組み合わせた包括的なアプローチである。 本手法は, 定量的, 定性的な解析において, 基礎的手法を連続的に, 著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-03-13T13:39:24Z)
• How to Continually Adapt Text-to-Image Diffusion Models for Flexible Customization? [91.49559116493414]
  本稿では,CIDM(Concept-Incremental Text-to-image Diffusion Model)を提案する。 破滅的な忘れと概念の無視を解決し、新しいカスタマイズタスクを概念的な方法で学習する。 実験により、CIDMが既存のカスタム拡散モデルを上回ることが確認された。
  論文  参考訳（メタデータ） (2024-10-23T06:47:29Z)
• Concept Conductor: Orchestrating Multiple Personalized Concepts in Text-to-Image Synthesis [14.21719970175159]
  コンセプトコンダクタは、マルチコンセプトのカスタマイズにおいて、視覚的忠実さと正確なレイアウトを保証するように設計されている。 本稿では,各概念の生成領域を特定するために形状認識マスクを用いた概念注入手法を提案する。 本手法は,様々な概念の組み合わせをサポートし,視覚的に類似した概念を扱う場合でも高い忠実性を維持する。
  論文  参考訳（メタデータ） (2024-08-07T08:43:58Z)

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。