PureCC: Aprendizado Puro para Customização de Conceitos Texto-para-Imagem
PureCC: Pure Learning for Text-to-Image Concept Customization
March 8, 2026
Autores: Zhichao Liao, Xiaole Xian, Qingyu Li, Wenyu Qin, Meng Wang, Weicheng Xie, Siyang Song, Pingfa Feng, Long Zeng, Liang Pan
cs.AI
Resumo
Os métodos existentes de personalização de conceitos têm alcançado resultados notáveis em personalização de alta fidelidade e múltiplos conceitos. No entanto, eles frequentemente negligenciam a influência no comportamento e nas capacidades do modelo original ao aprender novos conceitos personalizados. Para resolver esta questão, propomos o PureCC. O PureCC introduz um novo objetivo de aprendizado desacoplado para personalização de conceitos, que combina a orientação implícita do conceito-alvo com a previsão condicional original. Esta forma separada permite que o PureCC se concentre substancialmente no modelo original durante o treinamento. Além disso, com base neste objetivo, o PureCC concebe um pipeline de treinamento de duplo ramo que inclui um extrator congelado que fornece representações purificadas do conceito-alvo como orientação implícita e um modelo de fluxo treinável que produz a previsão condicional original, alcançando conjuntamente um aprendizado puro para conceitos personalizados. Adicionalmente, o PureCC introduz uma nova escala de orientação adaptativa λ^star para ajustar dinamicamente a força de orientação do conceito-alvo, equilibrando a fidelidade de personalização e a preservação do modelo. Experimentos extensivos demonstram que o PureCC alcança desempenho de última geração na preservação do comportamento e capacidades originais, enquanto permite a personalização de conceitos com alta fidelidade. O código está disponível em 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.