MILD: Multi-Layer Diffusion Strategy for Complex and Precise Multi-IP Aware Human Erasing
Huazhong University of Science and Technology(华中科技大学);Tsinghua University(清华大学);Hong Kong University of Science and Technology(香港科技大学);Nanjing University(南京大学);Wuhan University(武汉大学);Central China Normal University(中央财经大学)
针对现有掩码引导人物擦除方法在复杂场景下的性能缺陷,本文构建MILD多实例数据集,提出多层扩散MILD方法及配套模块,实现更优的复杂场景精准人物擦除效果。
2025-11-14 cs.CV
Erasing Thousands of Concepts: Towards Scalable and Practical Concept Erasure for Text-to-Image Diffusion Models
Dept. of Electrical and Computer Engineering(电气与计算机工程系);INMC(智能纳米研究中心);IPAI(人工智能研究所);Seoul National University(首尔国立大学)
本文提出ETC框架,通过tMM模型和MoEraser模块实现大规模概念消除,提升生成质量与鲁棒性,验证了在2000多个概念上的优越性能。
2026-04-12 cs.AI cs.CV
One Image is Worth a Thousand Words: A Usability Preservable Text-Image Collaborative Erasing Framework
School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
针对文本到图像扩散模型概念擦除中文本与图像模态差距导致有效性与可用性难以平衡的问题,提出Co-Erasing框架,通过视觉监督整合和负向引导提升擦除效果,并设计文本引导细化策略保持可用性,实验验证其优越性。
2025-05-26 cs.AI cs.CV
Erasing More Than Intended? How Concept Erasure Degrades the Generation of Non-Target Concepts
Google Research(谷歌研究);McGill University(麦吉尔大学);Rice University(里士满大学);Google Deepmind(谷歌DeepMind)
本研究提出EraseBench基准,系统分析概念擦除对非目标概念的意外影响,揭示概念纠缠导致生成质量下降的现象。
2025-10-07 cs.CV
Erasing Without Collateral Damage: Precise Concept Removal in Diffusion Models
School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院);Department of Computing, Imperial College London(伦敦帝国理工学院计算系)
针对无训练概念擦除易损害相关非目标概念的问题,提出CARE闭式算子,在交叉注意力值空间实现精确擦除,无模型微调,可更好保留非目标概念。
2026-07-07 cs.CV
Erasing Concepts from Text-to-Image Diffusion Models with Few-shot Unlearning
Meiji University(明治大学)
提出一种基于少样本遗忘的文本编码器更新方法,通过隐式转换为模型固有潜在概念,在10秒内快速擦除文本到图像扩散模型中的特定概念,速度提升数十至数百倍且效果更自然。
2024-08-29 cs.CV cs.LG
You Only Erase Once: Erasing Anything without Bringing Unexpected Content
School of Computer Science and Engineering, Sun Yat-sen University, China(中山大学计算机科学与工程学院);Amazon(亚马逊);Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China(教育部机器智能与先进计算重点实验室)
本文提出YOEO方法,通过训练无配对数据的扩散模型,实现高质量物体擦除,保留上下文一致性,优于现有方法。
2026-03-29 cs.CV
Erasing Concepts, Steering Generations: A Comprehensive Survey of Concept Suppression
Huazhong University of Science and Technology, China(华中科技大学);University of Nevada, Reno(内华达大学拉斯维加斯分校)
本综述全面梳理了T2I扩散模型中的概念擦除技术,从干预级别、优化结构和语义范围三个维度系统分类现有方法,探讨了评估基准与挑战,旨在指导构建更安全、符合伦理的生成模型。
2025-05-29 cs.CV
SAGE: Exploring the Boundaries of Unsafe Concept Domain with Semantic-Augment Erasing
Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院);Institute of Information Science, Beijing Jiaotong University(北京交通大学信息科学学院);Beijing Key Laboratory of Advanced Information Science and Network Technology(北京先进信息科学与网络技术重点实验室)
针对扩散模型概念擦除局限于固定词语的问题,提出 SAGE 语义增强擦除与全局-局部协同保留机制,实现概念域边界的泛化忘却并保护无关概念。
2025-06-11 cs.AI cs.CR cs.CV
One-Dimensional Adapter to Rule Them All: Concepts, Diffusion Models and Erasing Applications
Tsinghua University(清华大学);BNRist(北京国家信息科学技术研究院);Alibaba Group(阿里巴巴集团)
本研究针对现有扩散模型概念擦除方法存在的生成侵蚀、迁移性差等问题,提出基于一维适配器的半透膜结构SPM及潜在锚定微调、易化转运机制,实现了非侵入式、可迁移的多概念精准擦除。
2024-03-11 cs.AI cs.CV cs.LG
Obliviate: Erasing Concepts from Autoregressive Image Generation Models
TU Darmstadt, Germany(图宾根大学);Multimodal AI Lab, TU Darmstadt, Germany(多模态人工智能实验室);Zuse School ELIZA(祖斯学院ELIZA);hessian.AI, Germany(海西斯.AI)
提出Obliviate方法,通过KL散度监督视觉token分布、轨迹级更新和对齐视觉前缀,有效擦除自回归文生图模型中的有害概念,在保持模型效用同时大幅降低不当内容生成。
2026-10-06 cs.CV
RealEra: Semantic-level Concept Erasure via Neighbor-Concept Mining
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室(深圳));School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
针对文本到图像模型中概念擦除的“概念残留”问题,提出RealEra框架,通过邻域概念挖掘机制扩大擦除范围,并利用超越概念正则化保持无关概念的生成性能,结合闭式解优化U-Net和LoRA模块,实现了更优的擦除有效性、特异性和通用性。
2024-10-11 cs.CV
All but One: Surgical Concept Erasing with Model Preservation in Text-to-Image Diffusion Models
Sungkyunkwan University(成均馆大学)
本文提出一种基于分类器引导的外科手术式概念擦除方法,通过约束无条件得分项漂移,在有效擦除目标概念的同时保持模型生成能力,并支持用户选择替代概念。
2023-12-20 cs.AI cs.CV
Erasing Undesirable Concepts in Diffusion Models with Adversarial Preservation
Monash University(莫纳什大学);VinAI Research(VinAI研究院);Defence Science and Technology Group, Australia(澳大利亚国防科学技术集团)
提出对抗性保留方法,识别并保留受参数变化影响最大的概念,在稳定扩散模型中实现稳定擦除有害内容,同时最小化对其他概念的影响,优于现有擦除方法。
2025-05-23 cs.CV cs.LG
Prompt Sliders for Fine-Grained Control, Editing and Erasing of Concepts in Diffusion Models
University of California, San Diego(加利福尼亚大学圣迭戈分校)
针对扩散模型中概念控制依赖LoRA导致推理慢且跨模型泛化差的问题,提出Prompt Sliders方法,通过文本嵌入学习概念,实现细粒度控制、编辑与擦除,速度提升30%且存储仅需3KB。
2024-09-25 cs.CV
MagicEraser: Erasing Any Objects via Semantics-Aware Control
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院)
本文提出MagicEraser,一个基于扩散模型的对象擦除框架,通过内容初始化和可控生成两阶段,结合提示调整与语义感知注意力重聚焦模块,实现精细控制并减少伪影,有效解决对象擦除任务中的不协调生成和文本依赖问题。
2024-10-14 cs.CV
SAEmnesia: Erasing Concepts in Diffusion Models with Supervised Sparse Autoencoders
University of Turin, Italy(意大利都灵大学);Intesa Sanpaolo AI Research, Italy(意大利Intesa Sanpaolo人工智能研究院)
提出监督稀疏自编码器框架SAEmnesia,通过强制一对一概念-神经元映射实现特征集中化,从而高效、精准地擦除扩散模型中的概念。
2026-05-29 cs.AI cs.CV
SELECT: Semantic Erasure Boundary Construction with Sibling Exclusive Counterfactuals
Beijing University of Posts and Telecommunications(北京邮电大学);Shanghai Jiao Tong University(上海交通大学)
针对文本到图像扩散模型中固定锚点导致的概念复现与侵蚀问题,提出 SELECT 动态锚点选择框架,通过两阶段评估自动寻找最优及边界锚点,实现更精确且通用的概念擦除。
2026-10-20 cs.AI cs.CV
Side Effects of Erasing Concepts from Diffusion Models
University of Maryland, Baltimore County(马里兰大学巴尔的摩分校)
本文提出SEE基准,系统评估扩散模型概念擦除技术的副作用,发现其可被层次、语义相似及组合提示绕过,并存在属性泄漏与注意力异常现象。
2025-09-20 cs.CV cs.LG
ForceForget: Reinforcement Concept Removal for Enhancing Safety in Text-to-Image Models
Dong Han(董汉);Yong Li(李勇)
针对文本到图像模型生成不安全内容的问题,提出基于强化学习优化概念擦除奖励的方法,通过安全适配器调节文本嵌入,在消除不安全内容的同时保持模型对安全语义的生成能力。
2026-06-15 cs.CV
EAR: Erasing Concepts from Unified Autoregressive Models
Inner Mongolia University(内蒙古大学)
本文提出EAR微调方法,通过WGA和TLM策略在统一自回归模型中实现有效且保持效用的概念擦除,并构建ECGVF基准,实验证明其在擦除效果与模型效用上均获显著提升。
2025-06-25 cs.AI cs.CV
Compositional Concepts Erasing: Disentangling Object-Style via Domain Manifold Unlearning
University of Tulsa(塔尔萨大学);The University of Arizona(亚利桑那大学);Clemson University(克莱姆森大学);Texas A&M University(德克萨斯农工大学)
针对扩散模型对象-风格组合遗忘及多请求导致的灾难性遗忘问题,提出域流形遗忘(DMU)方法,实验显示其可缓解灾难性遗忘且性能优于现有最先进方法。
2026-10-14 cs.AI cs.CV
Sparse Autoencoder as a Zero-Shot Classifier for Concept Erasing in Text-to-Image Diffusion Models
Zhejiang University(浙江大学);National University of Singapore(新加坡国立大学);Peking University(北京大学)
提出ItD框架,利用稀疏自编码器作为零样本分类器,通过停用目标概念相关特征实现精确概念擦除,同时保持正常生成性能,并支持多概念擦除和对抗性鲁棒性。
2025-07-09 cs.AI cs.CR cs.CV
Erasing with Precision: Evaluating Specific Concept Erasure from Text-to-Image Generative Models
Meiji University(明治大学)
针对文本到图像生成模型概念擦除评估依赖主观可视化的问题,提出 EraseEval 评估方法,通过三项基本标准整合为单一稳健指标,揭示现有方法不足并指引未来方向。
2025-02-19 cs.AI cs.CL cs.CV
From Understanding to Erasing: Towards Complete and Stable Video Object Removal
Peking University(北京大学);WeChat Vision, Tencent Inc.(腾讯微信视觉)
本文提出通过外部和内部指导机制,结合视觉基础模型与视频扩散模型,提升视频对象移除的物理和语义理解能力,实现清晰且连贯的移除效果,并建立首个真实世界基准测试。
2026-08-06 cs.CV
EraseDraw: Learning to Draw Step-by-Step via Erasing Objects from Images
Columbia University(哥伦比亚大学)
本文提出EraseDraw框架,通过反转对象移除过程生成高质量数据,训练文本条件扩散模型实现空间、物理和光学一致的对象插入,并结合CLIP引导的束搜索自动化迭代插入,在自然图像上取得最先进效果。
2024-12-23 cs.CV
Concept Pinpoint Eraser for Text-to-image Diffusion Models via Residual Attention Gate
Department of ECE(电子工程系);IPAI;INMC;Seoul National University(首尔国立大学)
针对文本到图像扩散模型的概念擦除问题,提出CPE框架,通过引入非线性残差注意力门控和注意力锚定损失选择性擦除目标概念并防止遗忘,结合对抗训练增强鲁棒性,有效优于现有方法。
2025-06-28 cs.CV cs.LG
Fantastic Targets for Concept Erasure in Diffusion Models and Where To Find Them
Monash University(墨尔本大学);Defence Science and Technology Group, Australia(澳大利亚国防科学与技术集团)
针对扩散模型概念擦除中固定目标策略的不足,提出自适应引导擦除(AGE)方法,通过动态选择最优目标概念,在保持擦除效果的同时显著减少对无关概念的副作用。
2025-05-23 cs.AI cs.CV cs.LG
SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models
University of Science and Technology of China(中国科学技术大学);Hefei University of Technology(合肥工业大学)
SPEED通过直接编辑模型参数,高效精准地擦除扩散模型中的多个概念,同时保护非目标概念的质量。
2026-02-28 cs.CV
Implicit Concept Removal of Diffusion Models
Hong Kong University of Science and Technology(香港科技大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);National University of Singapore(新加坡国立大学)
针对文本生成图像扩散模型易生成训练中无意习得的隐式非预期概念的问题,提出基于几何驱动控制的Geom-Erasing方法,结合新构建的ICD数据集验证,在相关基准上取得最优效果。
2024-10-08 cs.CV
SuMa: A Subspace Mapping Approach for Robust and Effective Concept Erasure in Text-to-Image Diffusion Models
Qualcomm AI Research(高通人工智能研究)
针对文本到图像扩散模型中狭窄概念擦除的鲁棒性和有效性难题,提出子空间映射方法SuMa,通过将目标子空间映射至参考子空间实现概念中和,在四个任务上达到与最先进方法相当的性能。
2025-09-06 cs.CV
Detect-and-Guide: Self-regulation of Diffusion Models for Safe Text-to-Image Generation via Guideline Token Optimization
School of Computer Science, Fudan University(复旦大学计算机科学学院)
针对文本到图像扩散模型易生成有害内容、现有干预方法可解释性差且影响生成效果的问题,提出无需微调的Detect-and-Guide框架,通过优化Token的交叉注意力检测有害概念并自适应引导,实现了安全生成性能与文本遵循性的平衡。
2025-03-19 cs.CV
Beyond Text Prompts: Precise Concept Erasure through Text-Image Collaboration
Nanjing University of Information Science and Technology(南京信息工程大学);Southeast University(东南大学);Nanjing University of Science and Technology(南京理工大学)
本文提出TICoE框架,通过连续凸概念流形和分层视觉表征学习,实现精确且忠实的概念消除,同时保留无关语义和视觉内容,并引入基于保真度的评估策略,实验表明其在概念消除精度和内容保真度上优于现有方法。
2026-04-17 cs.CR cs.CV
SESAME: Semantic Editing of Scenes by Adding, Manipulating or Erasing Objects
ETH Zurich(苏黎世联邦理工学院);CSEM SA(瑞士电子与微技术中心股份公司);KU Leuven(鲁汶大学)
图像生成的最新进展产生了强大的语义图像编辑工具。然而,现有的方法可以在单个图像上操作,或者需要大量的附加信息。它们不能处理完整的编辑操作集,即添加、操作或删除语义概念。为了解决这些局限性,我们提出了SEMPERATURE,一种新的生成器,通过添加,操纵或擦除对象的场景语义编辑的SEMPERATURE对。在我们的设置中,用户提供要编辑的区域的语义标签,生成器合成相应的像素。与以前采用将语义和图像平凡地连接起来作为输入的流的方法相比,SEMPERATURE由独立处理图像及其语义的两个输入流组成,使用后者来操纵前者的结果。我们在一组不同的数据集上评估我们的模型,并报告了两项任务的最新性能:(a)图像操作和(b)基于语义标签的图像生成。
2020-10-08 cs.CV cs.GR cs.LG
Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
Michigan State University(密歇根州立大学);Intel(英特尔公司);University of Minnesota, Twin City(明尼苏达大学双城分校);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院)
针对扩散模型概念擦除技术易受对抗提示攻击的问题,提出融入对抗训练的AdvUnlearn鲁棒遗忘框架,通过保留效用正则化和文本编码器优化,实现鲁棒性与模型效用的均衡。
2024-10-09 cs.CR cs.CV
OmniPSD: Layered PSD Generation with Diffusion Transformer
National University of Singapore(新加坡国立大学);Lovart AI
OmniPSD通过扩散变换器实现文本到PSD生成和图像到PSD分解,提升分层设计的生成与编辑能力。
2025-12-10 cs.CV
Memories of Forgotten Concepts
Tel Aviv University(特拉维夫大学);Reichman University(赖希曼大学)
本文揭示扩散模型的概念消融无法真正删除概念信息:借助反演可找到大量潜变量种子重新生成高质量被擦除图像,表明现有消融方法存在根本漏洞。
2024-12-01 cs.CV
Localized Concept Erasure for Text-to-Image Diffusion Models Using Training-Free Gated Low-Rank Adaptation
Department of ECE(电子工程系);IPAI;INMC;Seoul National University(首尔国立大学)
提出局部概念擦除框架及免训练门控低秩适配方法GLoCE,通过轻量模块选择性移除图像中目标概念区域,在保持其余区域保真度的同时提升擦除有效性、特异性和鲁棒性。
2025-07-10 cs.AI cs.CV
Localized Concept Erasure in Text-to-Image Diffusion Models via High-Level Representation Misdirection
Department of Data Science, Seoul National University of Science and Technology(数据科学系,首尔科学技术大学)
本文提出HiRM方法,通过误导文本编码器中的高层表示来实现精确的概念擦除,减少对非目标概念的影响,并在低训练成本下保持生成能力。
2026-02-23 cs.AI cs.CV
A Comprehensive Survey on Visual Concept Mining in Text-to-image Diffusion Models
School of Computer Science, Nanjing University of Information Science and Technology(南京信息工程大学计算机学院);School of Computer Science, Nanjing University of Science and Technology(南京理工大学计算机学院)
本文综述文本到图像扩散模型中的视觉概念挖掘,将相关方法分为概念学习、擦除、分解与组合四类,并总结挑战与未来方向。
2025-03-17 cs.CV
Feature Erasing and Diffusion Network for Occluded Person Re-Identification
Monash University(莫纳什大学);SenseTime Research(商汤科技研究院);The University of Sydney(悉尼大学);Qing Yuan Research Institute, Shanghai Jiao Tong University(上海交通大学清源研究院);Xidian University(西安电子科技大学)
被遮挡的人重新识别(ReID)旨在将被遮挡的人图像与不同相机视图中的整体图像进行匹配。目标行人(TP)通常受到非行人遮挡(NPO)和非目标行人(NTP)的干扰。以前的方法主要集中在提高模型对NPO的鲁棒性,而忽略了来自NTP的特征污染。在本文中,我们提出了一种新的特征擦除和扩散网络(FED),同时处理NPO和NTP。具体来说,NPO功能被我们提出的遮挡擦除模块(OEM)消除,辅助NPO增强策略,模拟NPO对整体行人图像,并生成精确的遮挡掩模。随后,我们随后,我们扩散的行人表示与其他记忆功能合成NTP特征的特征空间,这是通过一个新的特征扩散模块(FDM)通过一个可学习的交叉注意力机制。在OEM遮挡分数的指导下,特征扩散过程主要在可见的身体部位进行,这保证了合成的NTP特征的质量。通过在FED网络中联合优化OEM和FDM,我们可以大大提高模型对TP的感知能力,并减轻NPO和NTP的影响。此外,所提出的FDM仅作为训练的辅助模块,并且将在推理阶段被丢弃,从而引入很少的推理计算开销。在封闭和整体人ReID基准上的实验证明了FED优于最先进的技术,其中FED在Occluded-REID上达到86.3%的Rank-1准确率,超过其他人至少4.7%。
2022-03-31 cs.CV
TRCE: Towards Reliable Malicious Concept Erasure in Text-to-Image Diffusion Models
The School of Electrical and Information Engineering, Tianjin University(天津大学电气与信息工程学院)
针对现有文本到图像扩散模型概念擦除方法难以彻底清除隐含恶意概念且易损伤正常生成能力的问题,提出两阶段TRCE方法,通过优化交叉注意力层和对比学习引导去噪方向,实现可靠擦除的同时更好保留模型原有生成能力。
2025-10-05 cs.AI cs.CV
Magicremover: Tuning-free Text-guided Image inpainting with Diffusion Models
Tsinghua University(清华大学);Dalian University of Technology(大连理工大学);ZMO AI;Microsoft Research Asia(微软亚洲研究院)
针对训练成本高及二值掩码难以处理边界不清、透明对象的问题,本文提出免调优的文本引导图像修复方法 MagicRemover,通过注意力引导和分类器优化提升擦除、恢复与去噪性能。
2023-10-04 cs.CV
Inst-Inpaint: Instructing to Remove Objects with Diffusion Models
Bilkent University(比尔肯特大学);Hacettepe University(哈塞特佩大学);Koç University(科奇大学)
本文提出 Inst-Inpaint 框架,通过自然语言指令直接移除图像目标,并构建 GQA-Inpaint 数据集,实验证明其相比 GAN 和扩散基线在定量与定性上均有显著提升。
2023-08-09 cs.CV
Explaining Domain Shifts in Language: Concept erasing for Interpretable Image Classification
Xidian University(西安电子科技大学);City University of Hong Kong(香港城市大学)
本文提出LanCE框架,利用语言模型生成领域描述符,并通过DDO正则化器擦除领域特定概念,以提升基于概念的图像分类模型的分布外泛化能力。
2025-03-24 cs.CV
ACE: Attentional Concept Erasure in Diffusion Models
Shandong University(山东大学)
针对扩散模型因训练数据问题生成不良内容的问题,提出注意力概念擦除(ACE)方法,通过注意力操作与轻量级微调实现概念移除,在多基准上效果鲁棒且平衡通用性与特异性,效率高。
2025-04-16 cs.CV
FlowErase-OPD: Multi-Concept Erasure via Anchored On-Policy Distillation in Flow Matching Models
FlowErase-OPD是基于在线策略蒸馏的多概念擦除框架,通过引入AMTD和ARC缓解擦除与生成能力的权衡,在多概念擦除任务中实现了优于现有方法的性能,且模型鲁棒性较强。
2026-08-11 cs.CV
Erase, then Redraw: A Novel Data Augmentation Approach for Free Space Detection Using Diffusion Model
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
针对道路检测任务中传统数据增强缺乏语义多样性的问题,提出一种利用预训练扩散模型擦除原图实例并重绘新实例的数据增强方法,在 KITTI 数据集上取得最优结果。
2025-03-01 cs.CV
Isolated Diffusion: Optimizing Multi-Concept Text-to-Image Generation Training-Freely with Isolated Diffusion Guidance
针对文本到图像扩散模型多概念生成中的概念渗漏问题,提出免训练的Isolated Diffusion方法,通过拆分提示、隔离重合成各主体优化文图一致性,兼容SD系列模型且效果优于现有方法。
2025-01-17 cs.CV
ACE: Anti-Editing Concept Erasure in Text-to-Image Models
Harbin Institute of Technology(哈尔滨工业大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Pazhou Lab (Huangpu)(琶洲实验室(黄埔))
本文提出ACE方法,通过在条件与无条件噪声预测中注入擦除引导并引入随机校正引导,同时解决文本到图像模型在生成和编辑阶段的概念擦除问题,实验证明其在IP角色、显式概念和艺术风格擦除上优于现有方法。
2025-01-03 cs.CV
TRACE: Trajectory-Constrained Concept Erasure in Diffusion Models
Shandong University(山东大学)
本文提出TRACE方法,通过理论框架和轨迹感知微调目标,在扩散模型中擦除不良概念同时保持生成质量,在多个基准上取得最优性能。
2025-05-29 cs.CV
Concept Replacer: Replacing Sensitive Concepts in Diffusion Models via Precision Localization
Fudan University(复旦大学);Purple Mountain Laboratories(紫金山实验室)
本文提出 Concept Replacer,通过少样本概念定位器与无需训练的 DPCA 模块,在扩散模型去噪过程中精确替换敏感概念并保持非目标区域稳定。
2024-12-03 cs.CV
Blending Concepts with Text-to-Image Diffusion Models
University of Milano-Bicocca(米兰比可卡大学)
本文研究了文本到图像扩散模型在零样本框架下融合不同概念的能力,提出了四种利用扩散管道不同方面的融合方法,并通过系统实验和100人用户研究证明其无需训练即可展现创造性融合潜力,同时揭示了其对输入变化的敏感性。
2025-06-30 cs.CV
Sealing The Backdoor: Unlearning Adversarial Text Triggers In Diffusion Models Using Knowledge Distillation
University of Southern California(南加州大学)
针对文本到图像扩散模型易受文本触发器后门攻击的问题,提出SKD-CAG方法,通过带交叉注意力引导的自知识蒸馏消除触发器与中毒输出的关联,在保持生成质量的同时实现100%像素后门和93%风格攻击消除准确率。
2025-08-20 cs.CV