擦除还是侵蚀？评估未学习文本到图像扩散模型中的组合退化
计算机视觉与模式识别
2026-04-07 v1
摘要
后验未学习已成为从大型文本到图像扩散模型中移除不期望概念的实际机制。然而，先前工作主要通过擦除成功性评估未学习；其对更广泛生成能力的影响仍了解甚少。在本工作中，我们通过组合文本到图像生成的视角对概念未学习进行了系统的实证研究。以Stable Diffusion 1.4中的裸体移除为重点，我们使用T2I-CompBench++和GenEval以及已建立的未学习基准评估了一组多样的最先进未学习方法。我们的结果揭示了未学习有效性与组合完整性之间的一致权衡：实现强擦除的方法经常导致属性绑定、空间推理和计数方面的显著退化。相反，保持组合结构的方法往往无法提供鲁棒的擦除。这些发现揭示了当前评估实践的局限性，并强调了需要明确考虑语义保留（超越针对性抑制）的未学习目标。
引用
@article{arxiv.2604.04575,
title = {Erasure or Erosion? Evaluating Compositional Degradation in Unlearned Text-To-Image Diffusion Models},
author = {Arian Komaei Koma and Seyed Amir Kasaei and Ali Aghayari and AmirMahdi Sadeghzadeh and Mohammad Hossein Rohban},
journal= {arXiv preprint arXiv:2604.04575},
year = {2026}
}
备注
Accepted at CVPR 2026 Workshop on Machine Unlearning for Computer Vision