平息画师怒火：StableDiffusion学会在绘画中直接擦除侵权概念(7)

显式内容删除
在图 7 中，与 Stable Diffusion v1.4 相比，裸体分类样本的百分比变化。作者通过使用推理方法（SLD）和过滤再训练方法（SD V2.0）研究了 ESD 的有效性。对于所有模型，使用的都是由 I2P prompt 生成 4703 张图像。他们使用 Nudenet 检测器将图像分类为各种裸体类别。结论是，在弱擦除比例 η=1 时，在所有类别中，ESD 方法在擦除裸体方面效果更显著。

物体去除
表 2 中展示了原始 Stable Diffusion 模型和 ESD-u 模型在训练过程中擦除目标类时分类准确性的对比结果，同时展示了在生成剩余的九个类时的分类准确性。结果表明，ESD 能够在大多数情况下有效地去除目标类，尽管有一些类别（比如教堂）比较难去除。但未被去除的类别的分类准确性仍然很高，即使某些情况下会有一些干扰，例如，去除「法国圆号」会对其他类别造成明显的失真。作者在补充材料中提供了物体去除后的视觉效果图像。

更多研究细节，可参考原论文。