論文の概要: VisualErase: Dual-Branch Visual Trajectory Redirection for Robust Concept Erasure in Text-to-Image Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.05000v1
• Date: Sun, 04 Oct 2026 06:44:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 07:10:09.465919
• Title: VisualErase: Dual-Branch Visual Trajectory Redirection for Robust Concept Erasure in Text-to-Image Diffusion Models
• Title（参考訳）: VisualErase: テキスト・画像拡散モデルにおけるロバスト概念消去のためのデュアルブランチ視覚軌道リダイレクト
• Abstract要約: 概念消去はテキストから画像への拡散モデルの安全な配置に不可欠である。 近年の研究では、消去されたモデルがターゲット概念の視覚的生成軌道を維持している可能性が示されている。 概念を包含する視覚的生成軌道を明示的に定義した概念除去結果にリダイレクトする新しいパラダイムであるVisualEraseを提案する。
• 参考スコア（独自算出の注目度）: 93.61484351383454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept erasure is essential for the safe deployment of text-to-image diffusion models, as they may reproduce harmful, copyrighted, or privacy-sensitive content learned from unconstrained large-scale data. Existing methods typically erase unwanted concepts while preserving general generation capability by redirecting target-related text-to-image mappings. However, recent studies show that erased models may still retain visual generative trajectories of target concepts, leaving them vulnerable to adversarial recovery attacks and revealing a fundamental gap between redirecting text-to-image mappings and truly removing visual knowledge. To bridge this gap, we propose VisualErase, a new paradigm that redirects concept-bearing visual generative trajectories toward explicitly defined concept-removed outcomes. To enable this redirection, we use structure-preserving image editing to construct content-aligned, concept-removed counterparts for source images, providing explicit visual endpoints that retain non-target content. We then derive a denoising target from each source-to-counterpart pair and use a dual-branch redirection loss to align both text-conditioned and unconditional predictions with this target, since conditional supervision alone does not explicitly constrain generation without textual guidance. To mitigate the adverse effects of concept erasure on non-target generation, we jointly optimize the redirection loss with a counterpart retention loss that matches denoising predictions from the frozen pretrained model. Across style, celebrity, and nudity erasure, VisualErase limits the maximum attack success rate over seven attacks to 0%, 8%, and 0.1%, respectively, while retaining general generation quality. These results highlight the importance of visual trajectory redirection for robust concept erasure beyond text-to-image mappings alone.
• Abstract（参考訳）: 概念消去はテキストから画像への拡散モデルの安全な展開に不可欠であり、非制約の大規模データから学んだ有害な、著作権のある、あるいはプライバシーに敏感なコンテンツを再現することができる。 既存の方法は、通常、ターゲット関連のテキスト-画像マッピングをリダイレクトすることで、一般的な生成能力を保ちながら不要な概念を消去する。 しかし、最近の研究では、消去されたモデルがターゲット概念の視覚的生成軌道を維持し、敵の回復攻撃に弱いままであり、テキスト・画像マッピングのリダイレクトと視覚知識の真の除去の間には根本的なギャップがあることが示されている。 このギャップを埋めるために、概念を包含する視覚的生成軌道を明示的に定義した概念除去結果にリダイレクトする新しいパラダイムであるVisualEraseを提案する。 このリダイレクトを可能にするために、構造保存画像編集を用いて、ソース画像のコンテントアライメントされたコンセプト除去されたコンテントを構築し、非ターゲットコンテンツを保持する明示的な視覚的エンドポイントを提供する。 次に、各ソース対から復調対象を導出し、二分岐リダイレクト損失を用いてテキスト条件と非条件予測の両方をこのターゲットと整合させる。 非ターゲット生成における概念消去の悪影響を軽減するため,凍結事前学習モデルから予測した劣化予測と一致するリダイレクト損失と,それに対応する保持損失とを協調的に最適化する。 スタイル、有名人、ヌードの消去全体で、VisualEraseは7回の攻撃で最大攻撃成功率を0%、8%、0.1%に制限し、ジェネラルジェネレーションの品質を維持している。 これらの結果から,テキスト・ツー・イメージ・マッピングのみに留まらず,ロバストな概念消去のための視覚的トラジェクトリ・リダイレクトの重要性が浮き彫りになった。

関連論文リスト

• Uni-AdaVD: Universal Concept Erasure for Visual Generation via Orthogonal Value Decomposition [62.947473058878565]
  視覚生成のための普遍的推論時概念消去フレームワークUni-AdaVDを提案する。 この結果から,Uni-AdaVDは現代の視覚生成モデルに対して,効率的かつ適応的な安全機構を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-07-16T03:16:51Z)
• Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models [10.269961654607108]
  トレーニング不要の概念消去は、テキスト間拡散モデルを制御するための魅力的なメカニズムである。 しかし、正確な消去は、しばしば意味論的に関連する非ターゲット概念を損なうコストがかかる。 原ターゲット方向を宇宙空間に意識した方向で置き換えるクローズドフォームの概念消去演算子であるCAREを紹介する。
  論文  参考訳（メタデータ） (2026-07-06T16:21:09Z)
• Beyond Text Prompts: Precise Concept Erasure through Text-Image Collaboration [31.335104022933695]
  テキストから画像への生成モデルは、大規模なトレーニングデータセットに埋め込まれた暗黙のバイアスにより、不安全または望ましくないコンテンツを不注意に生成することができる。 本稿では,テキスト画像を用いた協調的消去フレームワークTICoEを提案する。
  論文  参考訳（メタデータ） (2026-04-17T08:32:39Z)
• 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)
• ConceptPrism: Concept Disentanglement in Personalized Diffusion Models via Residual Token Optimization [11.472088067393074]
  ConceptPrismは、画像固有の残留物から共有視覚概念を自動的に切り離す新しいフレームワークである。 実験では、ConceptPrismは概念の絡み合いを効果的に解決し、忠実さと整合性の間のトレードオフを著しく改善する。
  論文  参考訳（メタデータ） (2026-02-23T07:46:19Z)
• Bi-Erasing: A Bidirectional Framework for Concept Removal in Diffusion Models [32.35244979539898]
  概念消去は、テキスト・ツー・イメージ・モデルにおいて、安全でない、あるいは違法な画像生成を緩和する主要なアプローチとなっている。 本稿では,概念抑制と安全性向上を同時に行う双方向画像誘導概念消去(Bidirectional Image-Guided Concept Erasure, Bi-Erasing)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-15T07:08:35Z)
• One Image is Worth a Thousand Words: A Usability Preservable Text-Image Collaborative Erasing Framework [127.07102988701092]
  我々は、最初のテキストイメージ協調概念消去(Co-Erasing)フレームワークを紹介する。 Co-Erasingは、テキストプロンプトと、プロンプトによって誘導されるそれに対応する望ましくないイメージによって、この概念を共同で記述する。 我々は,テキストガイドによる画像概念の洗練戦略を設計し,特定のテキスト概念に最も関係のある視覚的特徴に焦点を当てるようモデルに指示する。
  論文  参考訳（メタデータ） (2025-05-16T11:25:50Z)
• 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)

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。