推理时概念抑制与面向视频的文本生成视频模型评估

arXiv cs.CV 发布了这条关于 研究论文 的更新：文本生成视频（T2V）模型能合成逼真且时间连贯的视频，但如何可控地去除生成器中的目标概念仍具挑战。不同于文本生成图像的概念抹除，T2V去学习需在保留非目标对象、动作、场景及时间结构的同时，抑制跨帧持续存在的目标概念。本文提出了\textbf{SIRUS}，一种无需训练的推理阶段概念级T2V去学习框架。通过目标概念的文本别名，SIRUS定位并抑制采样过程中的相关表达，无需更新文本编码器或去噪网络。同时，设计了视频导向的评估框架，从目标遗忘、非目标保留、视频质量、安全性及效率等多维度评估去学习效果。在CogVideoX数据集上的五种安全、对象和风格概念实验中，SIRUS实现了70.4%的遗忘成功率和25.7%的帧命中率，优于当下VideoEraser方法，且视频质量下降更小，展现了最佳的遗忘与质量权衡。迁移实验也验证了方法对不同T2V骨干的泛化能力。

当前文本生成视频模型难以高效且可控地消除特定概念，尤其需保持视频连贯性及非目标内容。SIRUS创新地在推理阶段通过文本别名定位抑制目标概念，无需模型更新，提升了实用性与效率。同时提出综合视频级评估标准，使去学习效果更全面有效。该方法显著提升遗忘成功率并减少质量损失，为文本生成视频的概念抑制提供了强有力的技术路径。

研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。

接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。