PureCC: Reines Lernen für Text-zu-Bild-Konzeptanpassung
PureCC: Pure Learning for Text-to-Image Concept Customization
March 8, 2026
Autoren: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan
cs.AI
Zusammenfassung
Bestehende Konzeptanpassungsmethoden haben bemerkenswerte Ergebnisse bei hochpräziser und multikonzeptueller Anpassung erzielt. Allerdings vernachlässigen sie häufig den Einfluss auf das Verhalten und die Fähigkeiten des ursprünglichen Modells beim Erlernen neuer personalisierter Konzepte. Um dieses Problem zu lösen, schlagen wir PureCC vor. PureCC führt ein neuartiges entkoppeltes Lernziel für die Konzeptanpassung ein, das die implizite Führung durch das Zielkonzept mit der ursprünglichen bedingten Vorhersage kombiniert. Diese getrennte Form ermöglicht es PureCC, sich während des Trainings weitgehend auf das ursprüngliche Modell zu konzentrieren. Darüber hinaus entwirft PureCC auf Basis dieses Ziels eine Dual-Branch-Trainingspipeline, die einen eingefrorenen Extraktor umfasst, der gereinigte Zielkonzeptrepräsentationen als implizite Führung bereitstellt, und ein trainierbares Flow-Modell, das die ursprüngliche bedingte Vorhersage erzeugt, wodurch gemeinsam reines Lernen für personalisierte Konzepte erreicht wird. Ferner führt PureCC eine neuartige adaptive Führungsstärke λ^star ein, um die Führungsstärke des Zielkonzepts dynamisch anzupassen und so Anpassungspräzision und Modellerhalt auszubalancieren. Umfangreiche Experimente zeigen, dass PureCC state-of-the-art Leistung beim Erhalt des ursprünglichen Verhaltens und der Fähigkeiten erzielt, während gleichzeitig hochpräzise Konzeptanpassung ermöglicht wird. Der Code ist verfügbar unter https://github.com/lzc-sg/PureCC.
English
Existing concept customization methods have achieved remarkable outcomes in high-fidelity and multi-concept customization. However, they often neglect the influence on the original model's behavior and capabilities when learning new personalized concepts. To address this issue, we propose PureCC. PureCC introduces a novel decoupled learning objective for concept customization, which combines the implicit guidance of the target concept with the original conditional prediction. This separated form enables PureCC to substantially focus on the original model during training. Moreover, based on this objective, PureCC designs a dual-branch training pipeline that includes a frozen extractor providing purified target concept representations as implicit guidance and a trainable flow model producing the original conditional prediction, jointly achieving pure learning for personalized concepts. Furthermore, PureCC introduces a novel adaptive guidance scale λ^star to dynamically adjust the guidance strength of the target concept, balancing customization fidelity and model preservation. Extensive experiments show that PureCC achieves state-of-the-art performance in preserving the original behavior and capabilities while enabling high-fidelity concept customization. The code is available at https://github.com/lzc-sg/PureCC.