LURE：扩散模型中基于潜在空间的多概念解除封锁再激活技术
计算机视觉与模式识别
2026-05-19 v2 机器学习
摘要
概念擦除旨在抑制敏感内容，但近期研究表明被擦除的概念仍可被重新激活，这暴露了擦除方法的漏洞。现有的重新激活方法主要依赖提示词级优化来操控采样轨迹，忽略了其他生成因素，这限制了对底层动力学的全面理解。在本文中，我们将生成过程建模为隐式函数，以实现对多种因素（包括文本条件、模型参数和潜在状态）的全面理论分析。我们理论上表明，对每个因素进行扰动都可以重新激活被擦除的概念。基于这一洞察，我们提出了一种新颖的概念重新激活方法：LURE（Latent Space Unblocking for Multi-Concept Reawakening），通过重构潜在空间并引导采样轨迹来重新激活被擦除的概念。具体而言，我们的语义再绑定机制通过与目标分布对齐去噪预测来重构潜在空间，以重建被切断的文本-视觉关联。然而，在多概念场景下，简单的重构会导致梯度冲突和特征交织。为此，我们引入了梯度场正交化，以强制特征正交性以防止相互干扰。此外，我们的潜在语义识别引导采样（LSIS）通过后验密度验证确保重新激活过程的稳定性。广泛的实验表明，LURE 能够在多样化的擦除任务和方法中实现对多个被擦除概念的同步、高保真度重新激活。
引用
@article{arxiv.2601.14330,
title = {LURE: Latent Space Unblocking for Multi-Concept Reawakening in Diffusion Models},
author = {Mengyu Sun and Ziyuan Yang and Andrew Beng Jin Teoh and Junxu Liu and Haibo Hu and Yi Zhang},
journal= {arXiv preprint arXiv:2601.14330},
year = {2026}
}