Newest papers

Continual Concept Personalization in Diffusion Models via Residual-Space Adaptation

Yuzhi Liu, Enis Simsar, Giulia Lanzillotta, Thomas Hofmann · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28567 · open-access PDF

German

Text-zu-Bild-Personalisierung zielt darauf ab, prätrainierte Diffusionsmodelle mit der Fähigkeit auszustatten, benutzerspezifische Konzepte aus nur wenigen Referenzbildern zu erlernen. Bestehende Methoden trainieren jedoch typischerweise jedes Konzept unabhängig oder gehen davon aus, dass alle Konzepte gleichzeitig verfügbar sind. In praktischen Anwendungen kommen Konzepte oft aufeinanderfolgend, wodurch Modelle ständig neue Themen, Objekte oder Stile lernen müssen, während Störungen mit zuvor erworbenen Konzepten minimiert werden.

Machine translation (Meta M2M100); the English original follows.

Abstract

Text-to-image personalization aims to equip pretrained diffusion models with the ability to learn user-specific concepts from only a few reference images. Existing methods, however, typically train each concept independently or assume that all concepts are available simultaneously. In practical applications, concepts often arrive sequentially, requiring models to continually learn new subjects, objects, or styles while minimizing interference with previously acquired concepts. We address this continual concept personalization setting by extending residual-space adaptation to the stochastic ada

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange