Stable Diffusion v1.4
PulseAugur coverage of Stable Diffusion v1.4 — every cluster mentioning Stable Diffusion v1.4 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新 JaRS 方法精确定位扩散模型中的记忆区域
研究人员开发了一种名为 Jacobian Row Sums (JaRS) 的新方法,用于识别扩散模型中记忆了训练数据的区域。该技术通过精确定位生成图像中从训练集中复制的特定部分,解决了隐私和版权问题。与需要额外评估或参考图的先前基于对比度的方法不同,JaRS 直接分析去噪器 Jacobian,以区分记忆内容和光滑区域,并在包括 Stable Diffusion 和 Diffusion Transformers 在内的各种扩散模型上展示…
-
新方法解决扩散模型中的概念擦除问题
研究人员开发了一种名为推拉注意力锚定(PPAA)的新方法,可以在不显著降低其他生成内容质量的情况下,从扩散模型中移除特定概念。该方法解决了现有概念擦除技术中常见的语义漂移问题。PPAA 在交叉注意力空间中运行,使用有界余弦相似度约束来控制擦除的尺度,从而能够更自适应、更统一地应用于不同的模型层和概念类型。
-
新的PPAA方法在不损失质量的情况下从扩散模型中移除概念
研究人员开发了一种名为推拉注意力锚定(PPAA)的新方法,可以在不降低生成质量的情况下从扩散模型中移除特定概念。与依赖启发式缩放的先前方法不同,PPAA在交叉注意力空间中使用有界的余弦相似度约束来替换目标表示,同时保持语义完整性。这种方法允许在模型层之间应用单一的自适应阈值,并在Stable Diffusion v1.4和FLUX架构上对名人、艺术风格和知识产权等概念进行了有效性验证。
-
ShieldCLIP框架增强多模态模型的安全对齐
研究人员推出ShieldCLIP,一个旨在通过选择性处理有害内容来增强多模态基础模型安全对齐的新型框架。与以往将所有生成样本都视为不安全的先前方法不同,ShieldCLIP根据单个模态的安全状态进行区分。该方法得到了ViSUv2的支持,这是一个具有按模态安全标签的新数据集。ShieldCLIP已证明在减少各种任务中的有害输出方面是有效的,包括使用Stable Diffusion v1.4和SDXL等模型的跨模态检索和文本到图像生成,同…
-
新的TEA框架增强了文本到图像模型中的概念擦除能力
研究人员开发了一个名为TEA(文本编码器对齐)的新框架,以改进文本到图像扩散模型中的概念擦除。该方法仅微调文本编码器,保持生成主干冻结,从而使包含概念的提示与安全提示无法区分。TEA在Stable Diffusion v1.4和v3.5等模型上提供了针对对抗性攻击的先进鲁棒性,同时保持了良性生成的质量,并且没有引入推理时间开销。
-
MapRoute++ 借助语义路由推进 AI 概念遗忘
研究人员开发了 MapRoute++,一种用于 AI 模型视觉概念遗忘的新颖方法。该方法在先前的 MapRoute 技术基础上,通过整合特定任务的训练目标和更丰富的概念表示来构建。MapRoute++ 利用语义路由选择特定概念的映射器,显著提高了在保留不相关和语义相似概念的同时移除不需要的概念的能力。该方法在使用 Stable Diffusion v1.4 的 Erasing-Retention-Robustness (ERR) 指标…
-
人工智能为印度尼西亚Ulos纺织品生成新颖图案
研究人员开发了一个生成式人工智能框架,用于创作传统Ulos纺织品的创新图案。Ulos是印度尼西亚北苏门答腊省巴塔克人的文化遗产。通过在Ulos图案数据集上微调Protogen v3.4和Stable Diffusion v1.4,模型能够生成兼顾文化一致性和当代审美需求的图案。Protogen v3.4在视觉保真度和多样性方面表现优于Stable Diffusion v1.4。该研究还确定了生成高质量、多样化Ulos图案的最佳参数设置…
-
新的循环去噪攻击揭示了扩散模型中的“超稳定记忆”
研究人员开发了一种名为循环去噪的新技术,用于探测图像扩散模型中记忆的训练数据。该方法涉及在受控噪声水平下重复应用前向和后向扩散过程,从而揭示模型中的“超稳定记忆”。这些记忆即使在严重损坏后也能再生,并能持续数千个周期,通常对应于特定的训练图像,如图库照片或水印。该攻击仅需要采样器级别的控制,不需要梯度、权重检查或对训练数据的先验知识,展示了其在隐私和版权审计方面的潜力。