論文の概要: Haste Makes Waste? Towards Safe Few-Step Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2610.36665v1
• Date: Tue, 27 Oct 2026 05:33:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.4886
• Title: Haste Makes Waste? Towards Safe Few-Step Text-to-Image Models
• Title（参考訳）: ヘイズトが無駄になる? テキスト・ツー・イメージの安全モデルに向けて
• Abstract要約: 数ステップモデルの方が教師より安全でない場合が多く、推論ステップの数を減らすことで、安全でない生成率が一貫して上昇することがわかった。 数段階モデルに適した蒸留後消去法であるDICEを提案する。
• 参考スコア（独自算出の注目度）: 4.2290331406540025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While few-step distilled text-to-image models have gained traction due to their fast generation times, the speed-up implications on their unsafe generation rates remain unknown. We uncover an inherent tension between speed and safety: few-step models are often more unsafe than their teachers, and reducing the number of inference steps consistently raises unsafe generation rates. We further find that acceleration makes unsafe concepts harder to erase in few-step models, with existing concept-erasure methods markedly less effective than in teachers. We offer a mechanistic diagnosis for why erasure methods fail on few-step models, finding that the fragility of few-step models' generation process and the way generation guidance is usually distilled into those models may hinder established concept-erasure methods. To address the speed-safety trade-off, we propose DICE (Distillation-Integrated Concept Erasure), a post-distillation erasure method tailored for few-step models. DICE aligns both its latent construction and its generation-preservation loss with the distillation method that produced the model, keeping erasure faithful to few-step models. DICE demonstrates strong results in our evaluation. For example, on FLUX Schnell, DICE reduces unsafe-generation rate to 0.046 (vs. at least 0.161 for prior erasure methods we test), while mostly preserving benign generation quality.
• Abstract（参考訳）: 高速な生成時間により、数ステップの蒸留テキスト・ツー・イメージモデルが牽引されているが、安全でない生成速度に対するスピードアップの影響はいまだ不明である。 数ステップのモデルは、教師よりも安全ではないことが多く、推論ステップの数を減らして、安全でない生成率を継続的に上昇させます。 さらに、アクセラレーションによって、数ステップのモデルでは、安全でない概念を消去しにくくする。 本稿では, 数段階モデルにおいて消去法が失敗する理由の機械的診断を行い, 数段階モデルの生成プロセスの脆弱さと, それらのモデルに通常蒸留する方法が, 確立された概念消去手法を阻害する可能性があることを見出した。 速度安全トレードオフに対処するため,数段階モデルに適した蒸留後消去法であるDICE(Distillation-Integrated Concept Erasure)を提案する。 DICEはその潜在構造と、その生成保存損失の両方を、モデルを生産した蒸留法と整合させ、少数のステップモデルに忠実な消去を維持する。 DICEは我々の評価に強い結果を示しています。 例えば、FLUX Schnellでは、DICEは安全でない生成率を0.046(vs. 0.161)に減らし、良質な生成品質を保っている。

関連論文リスト

• Flash-DMD: Towards High-Fidelity Few-Step Image Generation with Efficient Distillation and Joint Reinforcement Learning [32.32567390728913]
  拡散モデル(Diffusion Models)は、生成モデルの主要なクラスとして登場した。 タイムステップ蒸留は、生成を加速する有望な技術であるが、広範囲の訓練を必要とし、画質の劣化につながることが多い。 蒸留と共同RLによる精製による高速収束を実現する新しいフレームワークであるFlash-DMDを紹介する。
  論文  参考訳（メタデータ） (2025-11-25T17:47:11Z)
• DLADiff: A Dual-Layer Defense Framework against Fine-Tuning and Zero-Shot Customization of Diffusion Models [74.9510349783152]
  悪意のあるアクターは、拡散モデルのカスタマイズを利用することができ、人の数または1つのイメージだけで、元のアイデンティティとほぼ同一の合成IDを作成することができる。 本稿では,ファインチューニング法とゼロショット法の両方を保護するためのDual-Layer Anti-Diffusion (DLADiff)を提案する。
  論文  参考訳（メタデータ） (2025-11-25T04:35:55Z)
• 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)
• 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)
• BOOT: Data-free Distillation of Denoising Diffusion Models with Bootstrapping [64.54271680071373]
  拡散モデルは多様な画像を生成する優れた可能性を示している。 知識蒸留は、推論ステップの数を1つか数に減らすための治療法として最近提案されている。 本稿では,効率的なデータフリー蒸留アルゴリズムにより限界を克服するBOOTと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-08T20:30:55Z)
• Block Pruning For Faster Transformers [89.70392810063247]
  小型モデルと高速モデルの両方を対象としたブロックプルーニング手法を提案する。 このアプローチは、アテンションヘッドのような基盤となるモデルの完全なコンポーネントを抽出することを学ぶ。
  論文  参考訳（メタデータ） (2021-09-10T12:46:32Z)

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。