FOMO：忘记概念，不要错过选择性视频遗忘的场景

生成视频模型的快速发展使得合成越来越真实和时间连贯的视频成为可能，同时也引起了人们对有害内容生成的担忧。训练过程中对大规模网络数据集的依赖不可避免地会使这些模型暴露于不需要的材料中，从而使概念遗忘成为一种重要的缓解措施。现有方法主要针对静态视觉概念，例如物体、身份或不安全的外观，很大程度上忽视了运动遗忘。此外，这些方法通常很少注意保护周围的场景。因此，成功的概念删除可能会无意中改变背景、构图或整体视频动态。我们认为，有效的遗忘在理想情况下应该只改变目标内容，同时尽量减少对剩余场景的不必要的改变。在这项工作中，我们介绍了 FOMO，据我们所知，这是第一个基于训练的选择性视频忘却方法，直接将保留原始场景作为优先事项。我们围绕两个互补的目标制定遗忘：改变什么和保留什么。我们的方法本地化与概念相关的表示并修改它们，而保存机制则在不需要辅助数据的情况下维护非目标场景信息。除了简单地删除不需要的概念之外，FOMO 还明确地将这一代人重定向到指定的安全替代方案。我们进一步将这个公式扩展到运动遗忘，其中概念是由时间行为而不是固定的空间区域定义的。我们的解决方案实现了对不安全内容、对象和运动概念的有效取消学习，同时实现了概念删除和场景保留之间的最佳权衡。代码：https://github.com/gmum/FOMO 项目页面 https://gmum.github.io/FOMO