PureCC：用于文本到图像概念定制的纯学习方法

现有概念定制方法在高保真度和多概念定制方面取得了显著成果，但往往忽视了在学习新的个人化概念时对原始模型行为和能力的影响。为此，我们提出了 PureCC。PureCC 引入一种新的解耦学习目标，用于概念定制，将目标概念的隐式引导与原始条件预测相结合。这种分离形式使 PureCC 能够在训练期间显著聚焦于原始模型。此外，基于该目标，PureCC 设计了一个双分支训练管道，包括一个冻结的提取器，提供作为隐式引导的purified目标概念表示，以及一个可训练的流模型产生原始条件预测，联合实现对个人化概念的纯学习。此外，PureCC 引入一种新的自适应引导尺度 $\lambda^\star$，动态调整目标概念的引导强度，在定制保真度和模型保留之间进行平衡。广泛的实验表明，PureCC 在保留原始行为和能力方面实现了最先进的性能，同时实现了高保真度的概念定制。代码已公开于 https://github.com/lzc-sg/PureCC。