PureCC: Aprendizaje Puro para la Personalización de Conceptos de Texto a Imagen
PureCC: Pure Learning for Text-to-Image Concept Customization
March 8, 2026
Autores: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan
cs.AI
Resumen
Los métodos existentes de personalización de conceptos han logrado resultados notables en la personalización de alta fidelidad y múltiples conceptos. Sin embargo, a menudo descuidan la influencia en el comportamiento y las capacidades del modelo original al aprender nuevos conceptos personalizados. Para abordar este problema, proponemos PureCC. PureCC introduce un novedoso objetivo de aprendizaje desacoplado para la personalización de conceptos, que combina la guía implícita del concepto objetivo con la predicción condicional original. Esta forma separada permite que PureCC se enfoque sustancialmente en el modelo original durante el entrenamiento. Además, basándose en este objetivo, PureCC diseña un pipeline de entrenamiento de doble rama que incluye un extractor congelado que proporciona representaciones purificadas del concepto objetivo como guía implícita y un modelo de flujo entrenable que produce la predicción condicional original, logrando conjuntamente un aprendizaje puro para conceptos personalizados. Es más, PureCC introduce una novedosa escala de guía adaptativa λ^star para ajustar dinámicamente la fuerza de guía del concepto objetivo, equilibrando la fidelidad de personalización y la preservación del modelo. Experimentos exhaustivos demuestran que PureCC alcanza un rendimiento de vanguardia en la preservación del comportamiento y capacidades originales, al mismo tiempo que permite una personalización de conceptos de alta fidelidad. El código está disponible en 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.