Concept-TRAK：通过概念层级归因理解扩散模型如何学习概念
计算机视觉与模式识别
2026-03-03 v3 机器学习
摘要
尽管扩散模型在图像生成方面表现卓越，其日益广泛的应用引发了关于版权问题与模型透明度的严峻挑战。现有归因方法识别影响整个图像的训练样本，但在隔离特定元素（如风格或物体）的贡献方面不足，这些元素往往是利益相关方最关心的。为填补这一空白，我们引入通过概念层级归因的新方法，称为Concept-TRAK，该方法在影响函数基础上进行创新：设计专门的训练与工具损失函数，以隔离特定概念的影响而非整体重构质量。我们在基于合成数据与CelebA-HQ数据集的新颖概念归因基准测试中评估了Concept-TRAK，以及已建立的AbC基准，显示在概念层级归因场景中显著优于先前方法。我们进一步在真实世界的文本到图像生成中演示了其在组合性与多概念提示下的多样性。
引用
@article{arxiv.2507.06547,
title = {Concept-TRAK: Understanding how diffusion models learn concepts through concept-level attribution},
author = {Yonghyun Park and Chieh-Hsin Lai and Satoshi Hayakawa and Yuhta Takida and Naoki Murata and Wei-Hsiang Liao and Woosung Choi and Kin Wai Cheuk and Junghyun Koo and Yuki Mitsufuji},
journal= {arXiv preprint arXiv:2507.06547},
year = {2026}
}
备注
This paper has been accepted at ICLR 2026