UnHype：基于 CLIP 指导的超神经网络用于动态 LoRA 忘卸
计算机视觉与模式识别
2026-02-04 v1
摘要
近期大型扩散模型的进展加剧了其潜在被滥用，尤其是在生成逼真但有害或社会破坏性内容方面。这一挑战催生了对有效机器忘卸的日益关注，即在不损害整体生成能力的前提下 selectively 删除特定知识或概念。就各种方法而言，低秩适应（LoRA）已成为一种有效且高效的针对性忘卸方法。然而，LoRA 方法往往表现出对概念语义的有限适应性，难以在删除密切相关概念的同时维持对更广泛意义的泛化。此外，这些方法在需要同时擦除多个概念时面临可扩展性挑战。为此提出了 UnHype，一个将超神经网络集成到单-和多概念 LoRA 训练中的框架。该框架可直接插入 Stable Diffusion 以及现代基于流的文本到图像模型中，显示出稳定的训练行为和有效的概念控制。在推理过程中，超神经网络根据 CLIP 嵌入动态生成自适应 LoRA 权重，实现更具上下文感知的可扩展忘卸。我们在包括对象擦除、明星擦除和显性内容删除等多个具有挑战性的任务上评估了 UnHype，证明了其有效性和多样性。仓库：https://github.com/gmum/UnHype。
引用
@article{arxiv.2602.03410,
title = {UnHype: CLIP-Guided Hypernetworks for Dynamic LoRA Unlearning},
author = {Piotr Wójcik and Maksym Petrenko and Wojciech Gromski and Przemysław Spurek and Maciej Zieba},
journal= {arXiv preprint arXiv:2602.03410},
year = {2026}
}