基于低秩拒绝向量的视频无学习
计算机视觉与模式识别
2026-02-02 v2
摘要
视频生成模型通过利用大规模网络数据实现了对自然语言提示的高质量合成。然而，这种训练方法本质上暴露了它们对不安全偏见和有害概念的风险，引入了生成不可取或非法内容的风险。为缓解不安全的生成，现有的机器无学习方法要么依赖过滤，可能被绕过，要么更新模型权重，但需要高昂的微调或训练-free 闭形式编辑。我们提出了第一个用于视频扩散模型中概念删除的训练-free 权重更新框架。从五组安全/不安全提示中，我们的方法估计拒绝向量并将其整合到模型权重中作为闭形式更新。对比低秩分解进一步 disentangles 目标概念与无关语义，确保选择性概念抑制且不损害生成质量。我们的做法在 Open-Sora 和 ZeroScopeT2V 模型上减少了不安全的生成，分别在 T2VSafetyBench 和 SafeSora 基准测试中平均降低 36.3% 和 58.2%，同时保持提示对齐和视频质量。这建立了一个在无需重新训练或任何推理开销的情况下实现高效可扩展的安全视频生成解决方案。项目页面：https://www.pinlab.org/video-unlearning。
引用
@article{arxiv.2506.07891,
title = {Video Unlearning via Low-Rank Refusal Vector},
author = {Simone Facchiano and Stefano Saravalle and Matteo Migliarini and Edoardo De Matteis and Alessio Sampieri and Andrea Pilzer and Emanuele Rodolà and Indro Spinelli and Luca Franco and Fabio Galasso},
journal= {arXiv preprint arXiv:2506.07891},
year = {2026}
}