PureCC: テキストから画像への概念カスタマイズのための純粋学習

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

March 8, 2026

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

cs.AI

要旨

既存の概念カスタマイズ手法は、高忠実度かつ複数概念のカスタマイズにおいて顕著な成果を上げている。しかしながら、新しい個人化概念を学習する際に、元のモデルの振る舞いや能力へ与える影響が軽視されがちである。この問題に対処するため、我々はPureCCを提案する。PureCCは、概念カスタマイズのための新しい分離学習目標を導入し、ターゲット概念の暗黙的ガイダンスと元の条件付き予測を組み合わせる。この分離形式により、PureCCは学習過程中に元のモデルに大幅に集中することが可能となる。さらに、この目標に基づき、PureCCは、精製されたターゲット概念表現を暗黙的ガイダンスとして提供する凍結エキストラクタと、元の条件付き予測を生成する学習可能なフローモデルを含むデュアルブランチ学習パイプラインを設計し、個人化概念のための純粋な学習を共同で達成する。加えて、PureCCは新しい適応的ガイダンススケールλ^*を導入し、ターゲット概念のガイダンス強度を動的に調整することで、カスタマイズの忠実度とモデル保存のバランスを取る。大規模な実験により、PureCCが高忠実度な概念カスタマイズを可能にしながら、元の振る舞いと能力の保存において最先端の性能を達成することが示された。コードはhttps://github.com/lzc-sg/PureCC で公開されている。

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.