PureCC: Apprendimento Puro per la Personalizzazione di Concetti da Testo a Immagine

PureCC: Pure Learning for Text-to-Image Concept Customization

March 8, 2026

Autori: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan

cs.AI

Abstract

I metodi esistenti di personalizzazione concettuale hanno ottenuto risultati notevoli nell'adattamento fedele e multi-concetto. Tuttavia, essi trascurano spesso l'influenza sul comportamento e sulle capacità del modello originale durante l'apprendimento di nuovi concetti personalizzati. Per affrontare questo problema, proponiamo PureCC. PureCC introduce un nuovo obiettivo di apprendimento disaccoppiato per la personalizzazione concettuale, che combina la guida implicita del concetto target con la previsione condizionale originale. Questa forma separata consente a PureCC di concentrarsi sostanzialmente sul modello originale durante l'addestramento. Inoltre, basandosi su questo obiettivo, PureCC progetta una pipeline di addestramento a doppio ramo che include un estrattore congelato che fornisce rappresentazioni purificate del concetto target come guida implicita e un modello di flusso addestrabile che produce la previsione condizionale originale, raggiungendo congiuntamente un apprendimento puro per concetti personalizzati. Inoltre, PureCC introduce una nuova scala di guida adattativa λ^star per regolare dinamicamente l'intensità di guida del concetto target, bilanciando fedeltà di personalizzazione e preservazione del modello. Esperimenti estensivi dimostrano che PureCC raggiunge prestazioni all'avanguardia nel preservare il comportamento e le capacità originali, consentendo al contempo una personalizzazione concettuale ad alta fedeltà. Il codice è disponibile all'indirizzo 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.