发表机构
IIIT Hyderabad; TCS Research; NIT Silchar（印度信息技术学院海得拉巴分校; 塔塔咨询服务公司研究院; 锡尔卡尔国家理工学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本研究针对Genμ 2.0挑战视觉概念遗忘任务，在MapRoute基础上引入新训练目标、概念表示及语义路由，使模型在保留相关概念的同时提升概念移除效果，在官方基准上超越SOTA基线12.1%
AI 中文摘要
我们提交了Genμ 2.0挑战任务3（视觉概念遗忘方向）的方案。在MapRoute基础上，我们引入了任务特定训练目标、更丰富的概念表示，以及用于概念特定映射器选择的语义路由。我们的方法在保留无关和语义相邻概念的同时，提升了鲁棒概念移除效果。在Stable Diffusion v1.4上采用Erasing-Retention-Robustness（ERR）指标评估的官方基准中，我们的方法在五个概念类别上平均超越当前最优基线12.1%，取得显著提升。
英文摘要
We present our submission to Task 3 of the Gen$μ$ 2.0 Challenge on visual concept unlearning. Building on MapRoute, we introduce task-specific training objectives, richer concept representations, and semantic routing for concept-specific mapper selection. Our approach improves robust concept removal while preserving unrelated and semantically adjacent concepts. On the official benchmark, evaluated using the Erasing-Retention-Robustness (ERR) metric on Stable Diffusion v1.4, our method outperforms the state-of-the-art baseline by 12.1\% on average across the five concept categories, achieving substantial gains.
CommentsAccepted at Unlearning and Model Editing Workshop, ECCV 2026
