PureCC: 텍스트-이미지 개념 맞춤화를 위한 순수 학습
PureCC: Pure Learning for Text-to-Image Concept Customization
March 8, 2026
저자: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan
cs.AI
초록
기존 개념 맞춤화 방법들은 높은 정확도와 다중 개념 맞춤화에서 뛰어난 성과를 거두었습니다. 그러나 새로운 개인화 개념을 학습할 때 원본 모델의 동작과 능력에 미치는 영향을 종종 간과합니다. 이러한 문제를 해결하기 위해 우리는 PureCC를 제안합니다. PureCC는 개념 맞춤화를 위한 새로운 분리 학습 목표를 도입하여 대상 개념의 암묵적 안내와 원본 조건부 예측을 결합합니다. 이러한 분리 형태는 PureCC가 학습 중 원본 모델에 집중할 수 있게 합니다. 더불어 이 목표를 기반으로 PureCC는 정제된 대상 개념 표현을 암묵적 안내로 제공하는 고정 추출기와 원본 조건부 예측을 생성하는 학습 가능한 흐름 모델을 포함하는 이중 분기 학습 파이프라인을 설계하여 개인화 개념에 대한 순수 학습을 공동으로 달성합니다. 또한 PureCC는 새로운 적응형 안내 규모 λ^star를 도입하여 대상 개념의 안내 강도를 동적으로 조절하여 맞춤화 정확도와 모델 보존 사이의 균형을 맞춥니다. 폭넓은 실험을 통해 PureCC가 높은 정확도의 개념 맞춤화를 가능하게 하면서도 원본 동작과 능력을 보존하는 데 최첨단 성능을 달성함을 입증했습니다. 코드는 https://github.com/lzc-sg/PureCC에서 확인할 수 있습니다.
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.