本文内容来自公众号粉丝投稿，作者来自复旦大学的视觉与学习实验室(FVL)。研究团队提出了一种可靠、高效的概念移除方法（RECE）。该方法以解析解的形式，迭代地进行风险概念移除、风险概念嵌入推导，从而确保模型彻底移除风险概念。本篇工作的论文和代码均已开源。
相关链接
论文链接：https://arxiv.org/abs/2407.12383
代码链接：GitHub - CharlesGong12/RECE: [ECCV 2024] Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models
论文阅读
问题背景
近年来，基于扩散模型的文生图（T2I）技术取得了重大进展，已经可以生成十分逼真的图像。然而，在生成高质量图像内容的同时，上述模型也存在被滥用的风险，例如生成侵犯版权和包含风险内容（如虚假新闻、暴力色情内容）的图像。尤其是Stable Diffusion（SD）的开源，使得文生图技术变得更加普及。
目前，已有的安全措施包括使用安全检查器对输出进行检查，以及应用无分类器引导来规避风险概念等。然而，由于代码和模型参数的开源，这些方法都容易被攻击者轻易绕过。
针对上述问题，一种有效的解决方案是从T2I扩散模型中移除风险概念，即通过微调模型参数，使其不再具备生成特定不当内容的能力。这种方法不需要从头训练模型，也不易被绕过。尽管概念移除取得了一定进展，但仍存在问题。首先，现有的大多数概念移除方法在微调时需要大量的迭代，导致模型生成能力下降并消耗大量计算资源。其次，已有方法都不能充分移除不当概念，即模型仍有很大几率生成风险图像。
方法简介
为了解决上述问题，研究团队提出了一种可靠、高效的概念移除方法（RECE）。该方法以解析解的形式，迭代地进行风险概念移除、风险概念嵌入推导，从而确保模型彻底移除风险概念。RECE借鉴了对抗训练的思想，通过计算目标函数的解析解，高效地推导出新的风险概念嵌入，然后通过修改交叉注意力层，将它们与无害概念对齐。此外，为了保留模型的生成能力，RECE在嵌入推导过程中证明并引入了一个额外的正则项，从而最小化对生成能力的损害。
可靠高效的概念移除
前置知识
SD等T2I模型通过CLIP对文本进行编码，并通过交叉注意力层将文本嵌入集成到U-Net中。在交叉注意力中，SD用文本嵌入生成key和value，用视觉特征生成query，然后计算交叉注意力输出：
现有的一些概念移除方法需要进行大量微调，效率较低。与之相比，UCE是一种高效的概念移除方法，通过解析解来编辑交叉注意力的权重。
UCE需要一个“源”概念（例如，“裸露”）和一个“目标”概念（例如，空文本“ ”）。给定一个交叉注意力的K/V投影矩阵，UCE的目标是找到新权重，使得新权重下的源概念的映射值对齐到目标概念。同时，为了控制参数变化，UCE最小化对无关概念映射值的影响，并引入L2正则化项：
这是一个凸函数，可以直接求出解析解，并赋值给新权重，速度极快：
可靠高效的概念移除
风险概念嵌入推导
尽管UCE的效率很高，但它概念删除很不彻底，仍有很大几率生成风险图片。为了充分移除风险概念，研究团队首先推导得到风险概念的新嵌入表示，这些新嵌入表示可以使UCE编辑后的模型重新生成风险图片：
以“裸露”为例，我们的目标是得到一个新的概念嵌入，其在新交叉注意力下能引导生成裸露图片。换句话说，经过映射后，应当接近经过的映射值：
上式为凸函数，因此具有解析解：
上述推导得到的可以引导编辑后的模型重新生成裸露图片。
正则项
我们发现直接编辑交叉注意力来将公式(5)中的擦除，会对模型能力产生极大的破坏。因此研究团队引入额外的约束来保证概念移除后模型的能力，即在两轮概念移除过程中，约束无关概念映射值的变化：
利用矩阵范数的相容性，可证明得到：
因此得到最终推导的目标函数为：
其解析解为：
综上，RECE的算法流程归纳为：
实验
不安全概念移除
研究团队在I2P基准数据集上对比了不同概念移除方法对裸露的移除效果，所提出方法的移除效果超过了全部已有方法。编辑后的模型在无关概念集COCO-30k上的FID指标，也远超CA等方法。
艺术风格移除
对于艺术风格移除，所提方法在目标艺术家擦除效果，无关艺术家保留效果以及综合效果方面都表现极佳。
红队鲁棒性
此外，研究团队还验证了RECE对于恶意红队工具的鲁棒性。实验表明，即使在红队攻击下，RECE生成风险图片的几率仍是最低。
模型编辑耗时
研究团队还统计了参数改动比例、模型编辑所需时间。RECE的参数改动比例、编辑耗时远低于CA等方法。尽管UCE的耗时也很短，但RECE的概念移除效果远远好于UCE。
