用于扩散模型鲁棒概念擦除的对比表征学习

基于摘要分析。本文研究预训练文本到图像扩散模型的概念擦除：如何移除不需要或不安全的概念，同时保留其他生成能力，并降低被擦除概念在对抗输入下重新出现的风险。作者提出 CIRCE（Contrastive Image-Representation Concept Erasure），通过对比学习微调模型、重塑内部表征，将有害概念作为负例进行遗忘，同时保留良性概念的表征。 技术上，该方法着重干预内部表征，而非仅观察普通提示词下的概念抑制效果。摘要未说明表征提取位置、正负样本构造、具体损失形式、训练数据及微调范围，这些机制与复现条件尚需全文核对。 作者在 Stable Diffusion 和 Qwen-Image-2.1 上，围绕物体、艺术风格与裸露概念开展评估。作者报告，在 UNLEARN-CANVAS 的比较中，CIRCE 在六项擦除与保留指标上的均值最高；摘要未提供指标定义、聚合方式、具体数值及对照方法，因此不能据此判断各单项指标均领先。针对裸露概念擦除，作者报告其在固定越狱提示词、自适应提示词搜索和连续嵌入攻击下均保持鲁棒性，同时维持良性提示词的较好图像质量。 在人类评估中，作者报告，24 名标注者参与的研究显示，CIRCE 在两个骨干模型的一般提示词能力保留上取得比较中最佳的观察结果；对语义接近被擦除概念的良性提示词，其保留表现与现有方法具有竞争力。样本构成、攻击预算、统计不确定性、实验协议及消融信息尚未验证。 该研究的直接对象是生成式图像模型的概念擦除，并非 EEG 或 BCI。现有摘要未建立其机制与神经信号任务的具体对应关系，因此不据此推导 BCI 有效性或提出迁移复现实验。