SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models

要約

大規模なテキストからイメージ（T2I）拡散モデルから概念を消去することは、著作権侵害、攻撃的な内容、プライバシー違反に対する懸念が高まっているため、ますます重要になっています。
ただし、既存の方法では、固有の最適化制限のために、非ターゲット概念（つまり、以前）に費用のかかる微調整または劣化の画質が必要です。
この論文では、スケーラブル、正確、効率的な消去のためにヌル空間制約を活用するモデル編集ベースの概念消去アプローチである速度を紹介します。
具体的には、速度は影響ベースの事前フィルター（IPF）を組み込み、消去中に最も影響を受けた非ターゲット概念を保持し、以前のカバレッジを拡大してセマンティックな一貫性を維持しながら、以前のカバレッジを拡大し、不変の平等制約（IEC）を拡大し、T2I生成プロセス中に明示的に維持することによりモデル編集を正規化します。
複数の概念の消去タスクにわたる広範な評価は、速度が事前の保存で既存の方法を一貫して優先しながら、効率的で忠実度の概念の消去を達成し、わずか5秒以内に100の概念を正常に削除することを示しています。
私たちのコードとモデルは、https：//github.com/ouxiang-li/speedで入手できます。

要約(オリジナル)

Erasing concepts from large-scale text-to-image (T2I) diffusion models has become increasingly crucial due to the growing concerns over copyright infringement, offensive content, and privacy violations. However, existing methods either require costly fine-tuning or degrade image quality for non-target concepts (i.e., prior) due to inherent optimization limitations. In this paper, we introduce SPEED, a model editing-based concept erasure approach that leverages null-space constraints for scalable, precise, and efficient erasure. Specifically, SPEED incorporates Influence-based Prior Filtering (IPF) to retain the most affected non-target concepts during erasing, Directed Prior Augmentation (DPA) to expand prior coverage while maintaining semantic consistency, and Invariant Equality Constraints (IEC) to regularize model editing by explicitly preserving key invariants during the T2I generation process. Extensive evaluations across multiple concept erasure tasks demonstrate that SPEED consistently outperforms existing methods in prior preservation while achieving efficient and high-fidelity concept erasure, successfully removing 100 concepts within just 5 seconds. Our code and models are available at: https://github.com/Ouxiang-Li/SPEED.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google