論文の概要: Push-Pull Attentional Anchoring for Diffusion Concept Erasure

• arxiv url: http://arxiv.org/abs/2610.27719v1
• Date: Tue, 20 Oct 2026 06:38:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.67515
• Title: Push-Pull Attentional Anchoring for Diffusion Concept Erasure
• Title（参考訳）: 拡散概念消去のためのプッシュプル注意アンカリング
• Abstract要約: 概念消去手法は、事前訓練されたモデルから望ましくない概念を完全なリトレーニングなしで除去することを目的としている。 本稿では,Push-Pull Attentional Anchoring(PPAA)を提案する。 我々は、有名人、芸術的スタイル、ヌード、知的財産など、さまざまな概念カテゴリーにまたがる広範な実験を行っている。
• 参考スコア（独自算出の注目度）: 26.17398022492759
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Rapid advances in diffusion models have raised concerns about privacy, harmful content, and copyright violations. Concept erasure methods aim to address these risks by removing undesirable concepts from pretrained models without full retraining. However, existing approaches often degrade non-target generation quality through heuristic strength scaling (e.g., classifier-free guidance or negative prompt scaling), leading to uncontrolled and excessive semantic drift. To address this, we propose Push-Pull Attentional Anchoring (PPAA), a mechanism in the cross-attention space that displaces target representations while anchoring the scale of erasure via bounded cosine-similarity constraints. By using a relative similarity ratio instead of an absolute difference, our adaptive threshold represents a meaningful percentage of semantic retention, facilitating a single value to be applied uniformly across layers. We conduct extensive experiments across multiple concept categories, including celebrities, artistic styles, nudity, and intellectual property. Our method achieves favorable trade-offs against prior approaches on Stable Diffusion v1.4 and demonstrates its applicability to modern architectures such as FLUX.
• Abstract（参考訳）: 拡散モデルの急速な進歩は、プライバシー、有害コンテンツ、著作権侵害に関する懸念を引き起こしている。 概念消去手法は、事前訓練されたモデルから望ましくない概念を完全な再訓練なしに取り除き、これらのリスクに対処することを目的としている。 しかし、既存のアプローチは、ヒューリスティックな強度スケーリング(例えば、分類子なしのガイダンスや負のプロンプトスケーリング)によって、非ターゲット生成品質を劣化させ、制御不能で過剰なセマンティックドリフトにつながることが多い。 そこで本研究では,有界コサイン類似性制約による消去のスケールを保ちつつ,対象表現を置き換える機構であるPush-Pull Attentional Anchoring(PPAA)を提案する。 絶対差ではなく相対的類似度比を用いることで、我々の適応閾値は意味的保持の有意義な割合を示し、単一の値を層全体に一様に適用することを容易にする。 我々は、有名人、芸術的スタイル、ヌード、知的財産など、さまざまな概念カテゴリーにまたがる広範な実験を行っている。 本手法は, 安定拡散v1.4における従来のアプローチに対する良好なトレードオフを実現し, FLUXのような近代的アーキテクチャに適用可能であることを示す。

関連論文リスト

• GRACE: Adaptive Concept Erasure with Geometry-Guided Retention in Diffusion Models [16.95462517490593]
  GRACEは、局所的かつ選択的介入を可能にするよう設計された、構造化された概念消去フレームワークである。 干渉方向を正確にロックするために,意味的に重み付けされたセンシティブな部分空間推定を導入する。 また、エネルギー駆動型動的ゲーティング機構を導入し、推論における介入のタイミングと強度を適応的に制御する。
  論文  参考訳（メタデータ） (2026-09-11T11:29:37Z)
• EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders [103.46709005379591]
  概念消去は、事前訓練されたモデルから不要なセマンティクスを取り除くことによって、原則化された救済を提供する。 既存のアプローチは一般に粗い品質で動作し、概念表現の微細で分散した性質と不一致である。 外科的概念の消去を実現するためにスパースオートエンコーダを利用する新しいフレームワークであるEraseSAEを提案する。
  論文  参考訳（メタデータ） (2026-09-03T10:23:37Z)
• Beyond Heuristic Prompting: A Concept-Guided Bayesian Framework for Zero-Shot Image Recognition [81.2779530670268]
  VLM(Vision-Language Models)は、ゼロショット画像認識を著しく進歩させたモデルである。 本稿では、クラス固有の概念を取り入れることで、プロンプトを強化する。 我々の手法は一貫して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2026-03-09T03:11:11Z)
• 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)
• CGCE: Classifier-Guided Concept Erasure in Generative Models [53.7410000675294]
  概念消去は、事前訓練されたモデルから望ましくない概念を取り除くために開発された。 既存の方法は、削除されたコンテンツを再生できる敵攻撃に弱いままである。 多様な生成モデルに対して堅牢な概念消去を提供する効率的なプラグアンドプレイフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-08T05:38:18Z)
• Robust Concept Erasure in Diffusion Models: A Theoretical Perspective on Security and Robustness [4.23067546195708]
  textbfSCORE (Secure and Concept-Oriented Robust Erasure)は拡散モデルにおけるロバストな概念除去のための新しいフレームワークである。 SCOREは拡散モデルにおける安全で堅牢な概念消去のための新しい標準を定めている。
  論文  参考訳（メタデータ） (2025-09-15T15:05:50Z)
• TRACE: Trajectory-Constrained Concept Erasure in Diffusion Models [0.0]
  概念消去は、生成モデルにおいて特定の概念情報を削除または抑制することを目的としている。 Trajectory-Constrained Attentional Concept Erasure (TRACE) は拡散モデルから対象概念を消去する新しい手法である。 TRACEは最先端のパフォーマンスを実現し、ANT、EraseAnything、MACEといった最近の手法よりも、除去効率と出力品質の点で優れています。
  論文  参考訳（メタデータ） (2025-05-29T10:15:22Z)
• Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models [76.39651111467832]
  本稿では,Reliable and Efficient Concept Erasure (RECE)を提案する。 派生した埋め込みによって表現される不適切なコンテンツを緩和するために、RECEはそれらをクロスアテンション層における無害な概念と整合させる。 新たな表現埋め込みの導出と消去を反復的に行い、不適切な概念の徹底的な消去を実現する。
  論文  参考訳（メタデータ） (2024-07-17T08:04:28Z)

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。