PureCC: Чистое обучение для настройки концепций в задачах генерации изображений по тексту

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

March 8, 2026

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

cs.AI

Аннотация

Существующие методы настройки концепций достигли значительных результатов в области высокоточной и многоконцептной персонализации. Однако они часто игнорируют влияние изучения новых персонализированных концепций на поведение и возможности исходной модели. Для решения этой проблемы мы предлагаем метод PureCC. В PureCC вводится новая цель разъединенного обучения для настройки концепций, которая сочетает неявное руководство целевой концепции с исходным условным прогнозированием. Такая разделенная форма позволяет PureCC существенно фокусироваться на исходной модели в процессе обучения. Кроме того, на основе этой цели PureCC разрабатывает двухканальный конвейер обучения, включающий замороженный экстрактор, предоставляющий очищенные представления целевой концепции в качестве неявного руководства, и обучаемую потоковую модель, производящую исходный условный прогноз, что совместно обеспечивает чистое изучение персонализированных концепций. Также PureCC вводит новый адаптивный коэффициент руководства λ^star для динамической регулировки силы воздействия целевой концепции, балансируя между точностью настройки и сохранением модели. Многочисленные эксперименты показывают, что PureCC достигает передовых результатов в сохранении исходного поведения и возможностей модели, одновременно обеспечивая высокоточную настройку концепций. Код доступен по адресу 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.