论文阅读：Forget-Me-Not: Learning to Forget in Text-to-Image Diffusion Models

Forget-Me-Not: Learning to Forget in Text-to-Image Diffusion Models

论文链接
代码链接
这篇文章提出了Forget-Me-Not (FMN)，用来消除文生图扩散模型中的特定内容。FMN的流程图如下：
framework
可以看到，FMN的损失函数是最小化要消除的概念对应的attention map的 $L_2$ 范数。这里需要补充一些关于diffusion model的知识。
首先，以Stable Diffusion为代表的模型使用U-Net对图片的低维嵌入进行建模。文本条件在被CLIP的text encoder编码为文本嵌入后，通过U-Net中的cross-attention layers输入到U-Net中。cross-attention层的具体映射过程是一个QKV (Query-Key-
Value)结构，如上图的中间所示。其中，Q代表图片的视觉信息，K和V都是文本嵌入经过线性层后计算得到的（ $k_i = W_kc_i~and~v_i = W_vc_i$ ）。而FMN损失函数中的attention map的计算过程如下：

然而，attention map还不是cross attention层的输出，其输出通过以下公式计算：
cross-attention output
上面两个公式，也就是图3中间方框中的内容，可以用下面的公式概括，

从FMN的源码中可以看到对应的部分如下：

class AttnController:
        def __init__(self) -> None:
            self.attn_probs = []
            self.logs = []
        def __call__(self, attn_prob, m_name) -> Any:
            bs, _ = self.concept_positions.shape
            head_num = attn_prob.shape[0] // bs
            target_attns = attn_prob.masked_select(self.concept_positions[:,None,:].repeat(head_num, 1, 1)).reshape(-1, self.concept_positions[0].sum())
            self.attn_probs.append(target_attns)
            self.logs.append(m_name)
        def set_concept_positions(self, concept_positions):
            self.concept_positions = concept_positions
        def loss(self):
            return torch.cat(self.attn_probs).norm()
        def zero_attn_probs(self):
            self.attn_probs = []
            self.logs = []
            self.concept_positions = None