PureCC: Zuiver Leren voor Tekst-naar-Beeld Conceptaanpassing

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

Samenvatting

Bestaande conceptaanpassingsmethoden hebben opmerkelijke resultaten behaald in hoogwaardige en multi-concept aanpassing. Echter, ze negeren vaak de invloed op het oorspronkelijke gedrag en de capaciteiten van het model bij het aanleren van nieuwe gepersonaliseerde concepten. Om dit probleem aan te pakken, stellen wij PureCC voor. PureCC introduceert een nieuw ontkoppeld leerdoel voor conceptaanpassing, dat de impliciete begeleiding van het doelconcept combineert met de oorspronkelijke conditionele voorspelling. Deze gescheiden vorm stelt PureCC in staat om zich tijdens de training substantieel te concentreren op het oorspronkelijke model. Bovendien ontwerpt PureCC op basis van dit doel een dual-branch trainingspijplijn die een bevroren extractor omvat die gezuiverde doelconceptrepresentaties levert als impliciete begeleiding en een trainbaar flow-model dat de oorspronkelijke conditionele voorspelling produceert, gezamenlijk zuiver leren voor gepersonaliseerde concepten bereikend. Verder introduceert PureCC een nieuwe adaptieve begeleidingsschaal λ^star om de begeleidingssterkte van het doelconcept dynamisch aan te passen, waardoor aanpassingsgetrouwheid en modelbehoud in balans worden gebracht. Uitgebreide experimenten tonen aan dat PureCC state-of-the-art prestaties bereikt in het behouden van het oorspronkelijke gedrag en de capaciteiten, terwijl het hoogwaardige conceptaanpassing mogelijk maakt. De code is beschikbaar op 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.