概念抹除基准：EMMA 综合语义指标与多样化类别
计算机视觉与模式识别
2026-04-01 v2
摘要
文本到图像(t2I)生成的广泛采用引发了关于隐私、偏见和版权侵权的担忧。概念抹除技术通过无需完全重新训练即可选择性地从预训练模型中移除不良概念，提供了有前景的解决方案。然而，这些方法通常仅在有限概念集合上进行评估，依赖过于简单直接的提示。为测试概念抹除技术的边界，并评估它们是否真正从模型表示中移除了目标概念，我们引入 EMMA——一个在 13 项指标上评估概念抹除五个关键维度的基准。EMMA 超越仅考虑图像质量和时间效率等标准指标，测试在具有挑战性条件下的鲁棒性，包括间接描述、视觉上相似的非目标概念以及潜在的性别和族裔偏见，提供了社会意识的方法行为分析。使用 EMMA，我们对五种概念抹除方法在五个领域(对象、名人、艺术风格、NSFW 和版权)进行分析。结果显示，现有方法在隐式提示(即间接引用时生成被抹除概念)和视觉上相似的非目标概念(即生成与被抹除概念相似的非目标概念)方面表现不佳，部分方法甚至会加剧性别和族裔偏见。代码与提示链接：https://github.com/lobsterlulu/EMMA
引用
@article{arxiv.2512.17320,
title = {EMMA: Concept Erasure Benchmark with Comprehensive Semantic Metrics and Diverse Categories},
author = {Lu Wei and Yuta Nakashima and Noa Garcia},
journal= {arXiv preprint arXiv:2512.17320},
year = {2026}
}
备注
Accepted by CVPR 2026