SPEED：面向扩散模型的可扩展、精确且高效的概念擦除方法
计算机视觉与模式识别
2026-03-03 v5
摘要
由于对版权侵权、冒犯性内容和隐私泄露的日益担忧，从大规模文本到图像（T2I）扩散模型中擦除概念变得愈发重要。在可扩展应用中，基于微调的方法在精确擦除多个目标概念时非常耗时，而基于实时编辑的方法由于优化目标冲突，通常会降低非目标概念的生成质量。为了解决这一困境，我们引入了 SPEED，一种直接编辑模型参数的高效概念擦除方法。SPEED 搜索一个零空间，即一个参数更新不影响非目标概念的模型编辑空间，以实现可扩展且精确的擦除。为了促进准确的零空间优化，我们结合了三种互补策略：基于影响的先验过滤（IPF），以选择性地保留受影响最大的非目标概念；有向先验增强（DPA），用语义一致的变体来丰富过滤后的保留集；以及不变等式约束（IEC），以在 T2I 生成过程中保持关键不变量。在多个概念擦除任务上的广泛评估表明，SPEED 在非目标保留方面始终优于现有方法，同时实现了高效且高保真的概念擦除，在仅 5 秒内成功擦除 100 个概念。我们的代码和模型可在以下网址获取：https://github.com/Ouxiang-Li/SPEED。
引用
@article{arxiv.2503.07392,
title = {SPEED: Scalable, Precise, and Efficient Concept Erasure for Diffusion Models},
author = {Ouxiang Li and Yuan Wang and Xinting Hu and Houcheng Jiang and Yanbin Hao and Fuli Feng},
journal= {arXiv preprint arXiv:2503.07392},
year = {2026}
}
备注
Accepted to ICLR 2026