論文の概要: Continual Concept Personalization in Diffusion Models via Residual-Space Adaptation

• arxiv url: http://arxiv.org/abs/2610.28567v1
• Date: Tue, 20 Oct 2026 17:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.948256
• Title: Continual Concept Personalization in Diffusion Models via Residual-Space Adaptation
• Title（参考訳）: 残差空間適応による拡散モデルにおける連続的概念パーソナライゼーション
• Abstract要約: テキスト・ツー・イメージのパーソナライズの目的は、事前訓練された拡散モデルと、少数の参照画像からユーザ固有の概念を学習する能力とを両立させることである。 しかし、既存の方法は通常、それぞれの概念を個別に訓練するか、あるいはすべての概念が同時に利用可能であると仮定する。 この継続的概念のパーソナライズ設定は、事前訓練された拡散モデルの適応過程への残留空間適応を拡張して解決する。
• 参考スコア（独自算出の注目度）: 35.51776804587931
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image personalization aims to equip pretrained diffusion models with the ability to learn user-specific concepts from only a few reference images. Existing methods, however, typically train each concept independently or assume that all concepts are available simultaneously. In practical applications, concepts often arrive sequentially, requiring models to continually learn new subjects, objects, or styles while minimizing interference with previously acquired concepts. We address this continual concept personalization setting by extending residual-space adaptation to the stochastic adaptation process of pretrained diffusion models. Our work achieves the highest concept fidelity among competing continual personalization methods while maintaining near-zero forgetting. Beyond these empirical gains, the learned residual-space dynamics reveal where adaptation capacity is concentrated within the diffusion model. Restricting adaptation to the identified layers by our method preserves nearly the same performance while reducing the number of trainable parameters by up to 72\%, demonstrating that residual-space dynamics can identify the layers that contribute most to continual concept personalization and directly guide more parameter-efficient adaptation.
• Abstract（参考訳）: テキスト・ツー・イメージのパーソナライズの目的は、事前訓練された拡散モデルと、少数の参照画像からユーザ固有の概念を学習する能力とを両立させることである。 しかし、既存の方法は通常、それぞれの概念を個別に訓練するか、あるいはすべての概念が同時に利用可能であると仮定する。 現実的な応用においては、概念は連続的に到達し、モデルが新しい主題、オブジェクト、スタイルを継続的に学習し、以前に獲得した概念との干渉を最小限に抑える必要がある。 この継続的概念のパーソナライズ設定は、事前訓練された拡散モデルの確率的適応過程に残余空間を適応させることによって解決する。 本研究は, ほぼゼロの忘れを保ちながら, 競合する個人化手法の中で最も高い概念忠実性を達成する。 これらの経験的ゲインの他に、学習された残留空間力学は拡散モデルに適応能力が集中していることを示す。 本手法により同定された層への適応を制限することは、トレーニング可能なパラメータの数を最大72 %削減しながらほぼ同じ性能を保ち、残余空間力学が連続的な概念のパーソナライズに最も寄与する層を識別し、パラメータ効率のよい適応を直接導くことを実証する。

関連論文リスト

• CLASP: Continual Low-rank Adapters for Spatially Placed Concepts from One Hypernetwork [3.8373805990749266]
  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。
  論文  参考訳（メタデータ） (2026-10-01T08:59:37Z)
• 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)
• Semantic Anchoring for Robust Personalization in Text-to-Image Diffusion Models [9.94436942959918]
  テキスト・ツー・イメージ拡散モデルでは,限られた数の参照画像から新しい視覚概念を学習する。 本稿では,新しい概念を対応する分布に基礎付けることで適応を導くセマンティックアンカーを提案する。 このアンカーリングにより、モデルは新しい概念を安定かつ制御された方法で適応させ、事前訓練された分布をパーソナライズされた領域へと拡張する。
  論文  参考訳（メタデータ） (2025-11-27T09:16:33Z)
• 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)
• Modular Customization of Diffusion Models via Blockwise-Parameterized Low-Rank Adaptation [73.16975077770765]
  コンセプトのスタイリングやマルチコンセプトのカスタマイズといったアプリケーションには、モジュール化が不可欠である。 インスタントマージ法は、個々のマージされた概念のアイデンティティ損失と干渉を引き起こすことが多い。 個々の概念のアイデンティティを正確に保存しつつ,複数の概念を効率的に組み合わせたインスタントマージ手法であるBlockLoRAを提案する。
  論文  参考訳（メタデータ） (2025-03-11T16:10:36Z)
• 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)
• Mining Your Own Secrets: Diffusion Classifier Scores for Continual Personalization of Text-to-Image Diffusion Models [39.46152582128077]
  現実の世界では、ユーザーは複数の概念のモデルを一度に1つずつパーソナライズしたいと考えるかもしれない。 ほとんどのパーソナライズ手法は、新しい概念の獲得と以前の概念の維持のバランスを見つけることができない。 本稿では,テキスト・画像拡散モデルのパラメータ空間と関数空間の正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-01T13:54:29Z)
• Unlearning Concepts in Diffusion Model via Concept Domain Correction and Concept Preserving Gradient [20.698305103879232]
  我々はtextbfDoCo (textbfDomaintextbfCorrection) という新しい概念領域補正フレームワークを提案する。 本手法は, 対象概念の包括的未学習を保証し, 先進的学習を通して, センシティブな概念とアンカーの概念の出力領域を整合させることにより, 対象概念の包括的未学習を確実にする。 また、矛盾する勾配成分を緩和し、特定の概念を学習しながらモデルの実用性を維持するための概念保存的勾配手術手法も導入する。
  論文  参考訳（メタデータ） (2024-05-24T07:47:36Z)

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。