忘却众多，精准无忘：扩散模型中可扩展且精确的概念忘却
机器学习
2026-05-19 v4 计算机视觉与模式识别
摘要
文本到图像扩散模型取得了显著进展，但其使用引发了版权和滥用顾虑，促使人们研究机器忘却技术。然而， 将多概念忘却扩展到大规模场景仍面临三个挑战：(i) 冲突的权重更新阻碍忘却或降低生成质量；(ii) 机制不够精确，导致类似内容受到牵连；(iii) 依赖额外数据或模块，制造扩展性瓶颈。为此，我们提出了可扩展精准概念忘却框架（ScaPre），专为大规模忘却设计。ScaPre 引入冲突感知稳定设计，集成谱迹正则化和几何对齐，以稳定优化、抑制冲突、保留全局结构。此外，Informax 解码器识别概念相关参数并自适应重加权更新，严格将忘却限制在目标子空间。ScaPre 提供一种高效闭式解，无需额外数据或子模型。针对对象、风格和显式内容进行的全面实验表明，ScaPre 有效移除目标概念，同时保持生成质量。在可接受质量范围内，其忘却概念数量是最佳基线的 ，实现了大规模忘却的领先精度和效率。代码已公开于 https://github.com/kaiyuan02415/scapre
引用
@article{arxiv.2601.06162,
title = {Forget Many, Forget Right: Scalable and Precise Concept Unlearning in Diffusion Models},
author = {Kaiyuan Deng and Gen Li and Yang Xiao and Bo Hui and Xiaolong Ma},
journal= {arXiv preprint arXiv:2601.06162},
year = {2026}
}
备注
Accepted at ICLR 2026