扩散模型的多模态概念擦除基准

Research Paper#Diffusion Models, Concept Erasure, Multimodal Learning, Generative AI🔬 Research|分析: 2026年1月3日 19:29•
发布: 2025年12月28日 10:58
•
1分で読める
•ArXiv

分析

本文介绍了 M-ErasureBench，这是一个新的基准，用于评估扩散模型中跨多种输入模态（文本、嵌入、潜在变量）的概念擦除方法。它强调了现有方法的局限性，特别是在处理文本提示以外的模态时，并提出了一种新方法 IRECE 来提高鲁棒性。这项工作意义重大，因为它解决了生成模型中与有害内容生成和版权侵权相关的关键漏洞，提供了一个更全面的评估框架和一个实用的解决方案。
引用 / 来源
查看原文
"Existing methods achieve strong erasure performance against text prompts but largely fail under learned embeddings and inverted latents, with Concept Reproduction Rate (CRR) exceeding 90% in the white-box setting."
A
ArXiv2025年12月28日 10:58
* 根据版权法第32条进行合法引用。
较旧

Fundamental Novel Consistency Theory: $H$-Consistency Bounds

较新

Hierarchical Test of Lorentz Invariance with Gamma-Ray Burst Spectral-Lag Measurements

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv