論文の概要: Compositional Concept Erasure in Text-to-Image Diffusion Models via Hierarchically Grounded Semantic Surgery

• arxiv url: http://arxiv.org/abs/2610.07337v1
• Date: Mon, 05 Oct 2026 20:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.641641
• Title: Compositional Concept Erasure in Text-to-Image Diffusion Models via Hierarchically Grounded Semantic Surgery
• Title（参考訳）: 階層的接地手術によるテキスト・画像拡散モデルにおける構成的概念消去
• Abstract要約: 本稿では,作曲概念消去のための学習自由フレームワークを提案する。 このフレームワークは、ルーティング信号とテキスト側消去で使用される編集演算子の両方を持ち上げる。 SEE では、HGSS は階層的回避を 29.54 から 10.02 に削減し、ほぼ一対の属性リークを回避し、報告された消去方法の中で最良な Neighbor E と AttrP のスコアを達成している。
• 参考スコア（独自算出の注目度）: 19.642870495782887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Removing copyrighted, unsafe, or user-specified concepts from a deployed text-to-image diffusion model is now a practical requirement. Weight-editing methods can suppress fixed targets, but they require per-target retraining and modify the model checkpoint. Training-free methods, on the other hand, are deployment-friendly, but they suffer from text-side routing failures on compositional prompts. In such prompts, the erase target may be invoked through a related class rather than its lexical name, and its modifiers may migrate onto preserved objects. This paper proposes Hierarchically Grounded Semantic Surgery (HGSS), a training-free framework for compositional concept erasure. The framework lifts both the routing signal and the edit operator used by text-side erasure. First, hierarchical span grounding resolves erase-target spans through lexical, taxonomic, and semantic evidence, while guarding against broad-hypernym and compound-head false positives. Second, dynamic attribute binding refines the text conditioning during early denoising via a counterfactual reference and a preserve-aware cross-attention objective, keeping surviving attribute-noun bindings intact. HGSS selectively removes the erase target without updating model weights or adding learned parameters. On SEE, HGSS cuts hierarchical evasion from 29.54 to 10.02 and roughly halves pairwise attribute leakage, achieving the best Neighbor E and AttrP scores among the reported erasure methods. On UnlearnCanvas, HGSS slightly improves the six-metric average over the matched Semantic Surgery baseline, reaching state-of-the-art.
• Abstract（参考訳）: デプロイされたテキスト・ツー・イメージの拡散モデルから、著作権付き、安全でない、あるいはユーザ指定のコンセプトを取り除くことが、現在では実践的な要件となっている。 重み付け手法は固定された目標を抑えることができるが、ターゲットごとの再トレーニングとモデルチェックポイントの変更が必要である。 一方、トレーニングなしのメソッドはデプロイメントに適しているが、コンポジションプロンプトのテキスト側のルーティング障害に悩まされている。 このようなプロンプトでは、消去ターゲットはその語彙名ではなく関連するクラスを通じて呼び出され、その修飾子は保存されたオブジェクトに移動することができる。 本稿では,HGSS(Hierarchically Grounded Semantic Surgery)を提案する。 このフレームワークは、ルーティング信号とテキスト側消去で使用される編集演算子の両方を持ち上げる。 第一に、階層的なスパングラウンドディングは、幅広いハイプ語と複合頭部の偽陽性から保護しながら、語彙的、分類学的、意味的な証拠を通じて消去対象スパンを解決する。 第二に、動的属性バインディングは、反ファクト参照と保存対応のクロスアテンション目的を通じて早期に記述するテキストコンディショニングを洗練し、残った属性と名詞のバインディングをそのまま保持する。 HGSSは、モデルの重みを更新したり、学習パラメータを追加することなく、消去ターゲットを選択的に削除する。 SEE では、HGSS は階層的回避を 29.54 から 10.02 に削減し、ほぼ一対の属性リークを回避し、報告された消去方法の中で最良な Neighbor E と AttrP のスコアを達成している。 UnlearnCanvasでは、HGSSは一致したセマンティック手術のベースラインよりも6メートル平均をわずかに改善し、最先端に到達した。

関連論文リスト

• VisualErase: Dual-Branch Visual Trajectory Redirection for Robust Concept Erasure in Text-to-Image Diffusion Models [93.61484351383454]
  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。
  論文  参考訳（メタデータ） (2026-10-04T06:44:27Z)
• Balancing Emotional Alignment and Semantic Consistency in Image Generation via Reinforcement Learning with Valence-Arousal Anchoring [55.57242007016976]
  テキスト・ツー・イメージ生成における継続的な感情制御は、プロンプトによって記述されたオブジェクトやレイアウト、シーンを変更することなく、感情的アライメントを改善するモデルを必要とする。 既存の教師付き感情注入法は、しばしば特徴空間プロキシを最適化し、したがって感情のセマンティックドリフトを示す。 本稿では,連続的原子価覚醒条件設定,グループ相対ポリシー最適化,中立的セマンティックアンカーを組み合わせたフローマッチング画像生成フレームワークを用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2026-09-11T13:24:35Z)
• To Erase, or Not to Erase: Robust Training-Free Concept Erasure with Preservation aware Adaptive Ranked Subspace Expansion [10.950549540413528]
  概念消去技術は、テキストから画像への拡散モデルを編集し、NSFWコンテンツや著作権のあるスタイルのような望ましくないターゲットを消去する。 現在のCETは、消去とユーティリティのトレードオフに直面している。 本稿では,潜在拡散モデルにおけるロバストな概念消去のためのトレーニングフリーフレームワークであるParservation-Aware Adaptive Ranked Subspace Expansion (PARSE)を提案する。
  論文  参考訳（メタデータ） (2026-07-26T06:35:31Z)
• REBASE: Reference-Background Subspace Elimination for Training-Free In-Context Segmentation [1.371509966893897]
  本稿では,突発的な文脈対応を明示的に抑制する学習自由フレームワークREBASEを提案する。 提案手法は,参照画像から低ランクの背景特徴部分空間を識別し,参照特徴とクエリ特徴をその補体にクローズド形式で投影する。 次に, 類似度重み付き遠点サンプリングを用いて正の点プロンプトを生成する。
  論文  参考訳（メタデータ） (2026-07-10T04:01:22Z)
• SCALE: Semantic- and Confidence-Aware Conditional Variational Autoencoder for Zero-shot Skeleton-based Action Recognition [4.853241666510524]
  ゼロショットスケルトンに基づくアクション認識(ZSAR)は、これらのクラスからのトレーニングスケルトンなしでアクションクラスを認識することを目的としている。 本稿では,ZSARをクラス条件エネルギーランキングとして定式化する,軽量で決定論的セマンティックなセマンティック・アンド・信頼を意識したエネルギーベースフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-02T16:12:42Z)
• SLICE: Semantic Latent Injection via Compartmentalized Embedding for Image Watermarking [13.169581979130058]
  拡散モデルの初期のノイズを透かしは、画像の出現に有望なアプローチとして現れている。 近年のセマンティック・アウェア・ウォーターマーキングは画像意味論の条件付けによるロバスト性の向上を図っている。 我々は$underlinetextbfS$emantic $underlinetextbfL$atent $underlinetextbfI$njection via $underlinetextbfC$ompartmentalized $underlinetextbfE$mを提案する。
  論文  参考訳（メタデータ） (2026-03-13T07:49:01Z)
• DQE-CIR: Distinctive Query Embeddings through Learnable Attribute Weights and Target Relative Negative Sampling in Composed Image Retrieval [53.482391830683014]
  合成画像検索(CIR)は、参照画像と、意図した変更を特定する修正テキストとを共同で解釈することにより、対象画像を検索するタスクに対処する。 既存のほとんどの手法は、基底の真理像を唯一の正の例として扱い、残りの全ての画像を負の例として扱う対照的な学習フレームワークの上に構築されている。 学習可能な属性重みとターゲットの相対的負サンプリングによるクエリ埋め込みを提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:17:44Z)
• The Illusion of Forgetting: Attack Unlearned Diffusion via Initial Latent Variable Optimization [51.835894707552946]
  非学習型防衛は拡散モデル(DM)からNot-Safe-For-Work概念を浄化すると主張している 本研究では,未学習が言語記号と基礎知識のマッピングを部分的に破壊し,休眠記憶として残り続けることを示す。 IVOは、壊れたマッピングを再構築することで、これらの休眠記憶を再活性化する簡潔で強力な攻撃フレームワークである。
  論文  参考訳（メタデータ） (2026-01-30T02:39:51Z)
• Geometric-Disentangelment Unlearning [106.99160454669902]
  忘れたサンプルへの勾配は しばしば 保持された知識を傷つける 本稿では,GU(Geometric-disment Unlearning)を提案する。 本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
  論文  参考訳（メタデータ） (2025-11-21T09:58:25Z)
• Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided Relation Alignment and Adaptation [98.51938442785179]
  増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。 このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。 本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:40:52Z)

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。