PureCC : Apprentissage pur pour la personnalisation de concepts texte-image
PureCC: Pure Learning for Text-to-Image Concept Customization
March 8, 2026
Auteurs: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan
cs.AI
Résumé
Les méthodes existantes de personnalisation de concepts ont obtenu des résultats remarquables en matière de fidélité élevée et de personnalisation multi-concepts. Cependant, elles négligent souvent l’influence sur le comportement et les capacités du modèle original lors de l’apprentissage de nouveaux concepts personnalisés. Pour résoudre ce problème, nous proposons PureCC. PureCC introduit un nouvel objectif d’apprentissage découplé pour la personnalisation de concepts, qui combine le guidage implicite du concept cible avec la prédiction conditionnelle originale. Cette forme séparée permet à PureCC de se concentrer substantiellement sur le modèle original durant l’entraînement. De plus, sur la base de cet objectif, PureCC conçoit un pipeline d’entraînement à double branche comprenant un extracteur gelé fournissant des représentations purifiées du concept cible comme guidage implicite, et un modèle de flux entraînable produisant la prédiction conditionnelle originale, réalisant conjointement un apprentissage pur pour les concepts personnalisés. Par ailleurs, PureCC introduit une nouvelle échelle de guidage adaptative λ^star pour ajuster dynamiquement la force de guidage du concept cible, équilibrant la fidélité de la personnalisation et la préservation du modèle. Des expériences approfondies montrent que PureCC obtient des performances de pointe dans la préservation du comportement et des capacités originaux tout en permettant une personnalisation de concepts à haute fidélité. Le code est disponible à l’adresse 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.