SuMa：面向鲁棒性与有效性的概念擦除子空间映射方法
计算机视觉与模式识别
2025-09-09 v1
摘要
文本到图像扩散模型的快速发展引发了担忧其可能被用于生成有害或未经授权的内容。为此，已提出若干概念擦除方法。然而，大多数方法无法同时实现鲁棒性（即稳健地移除目标概念）和有效性（即保持图像质量）。虽然近期的少数技术成功实现了针对NSFW概念的这些目标，但没有办法处理窄范围概念，如版权人物或明星。擦除这些窄范围概念对于解决版权和法律问题至关重要。然而，由于其与非目标相邻概念的接近距离，需要更细粒度的擦除。本文引入Subspace Mapping（SuMa），一种专为实现窄范围概念的鲁棒性和有效性而设计的新方法。SuMa首先推导代表待擦除概念的目标子空间，然后通过将其映射到最小化两者之间距离的参考子空间来中和该子空间。这种映射确保了目标概念被稳健地擦除，同时保持图像质量。我们在四个任务上进行了广泛实验：子类擦除、明星擦除、艺术风格擦除和实例擦除，并将结果与当前的SOTA方法进行比较。我们的方法在保持图像质量方面与以有效性为目标的方法相当，同时也与以完成性为目标的方法相当。
引用
@article{arxiv.2509.05625,
title = {SuMa: A Subspace Mapping Approach for Robust and Effective Concept Erasure in Text-to-Image Diffusion Models},
author = {Kien Nguyen and Anh Tran and Cuong Pham},
journal= {arXiv preprint arXiv:2509.05625},
year = {2025}
}