通过建模扩散过程的关键步骤实现概念无学习
计算机视觉与模式识别
2025-10-03 v3
摘要
文本到图像扩散模型（T2I DMs），以 Stable Diffusion 为代表，能够基于文本输入生成高度逼真的图像，广泛应用于各类场景，但其灵活性也使其容易被滥用，从而产生有害或不安全的内容。概念无学习被用于防止文本到图像扩散模型被滥用，以生成不希望出现的视觉内容。然而，现有方法在无学习效果与生成质量之间难以取得平衡。为此，我们提出关键步骤概念无学习（KSCU），在目标概念的关键扩散步骤进行选择性微调。KSCU 的灵感来自于：不同的去噪步骤对最终生成贡献不等。与以往方法统一处理所有去噪步骤不同，KSCU 避免了对无关步骤的过度优化，从而提高无学习效果，同时减少参数更新次数以提高效率。例如，在 I2P 数据集上，KSCU 在裸露无学习准确率上比 ESD 提升了 8.3%，同时改善 FID 8.4%，并实现了 0.92 的综合得分，显著优于所有其他 SOTA 方法。
引用
@article{arxiv.2507.06526,
title = {Concept Unlearning by Modeling Key Steps of Diffusion Process},
author = {Chaoshuo Zhang and Chenhao Lin and Zhengyu Zhao and Le Yang and Qian Wang and Chao Shen},
journal= {arXiv preprint arXiv:2507.06526},
year = {2025}
}