扩散模型在图像生成领域表现突出，但其可能生成不希望出现或不安全内容的问题，一直是学界与产业界关注的焦点。概念擦除（concept erasure）被视为缓解这一问题的有效思路，然而现有方法仍存在明显局限。论文《Orthogonal Concept Erasure for Diffusion Models》（arXiv:2605.28902v1，2026年5月27日提交）针对这一痛点提出了新的解决方案，并被 ICML 2026 接收为 Oral 报告。
论文首先梳理了两类主流技术路线。一类是基于训练的方法，虽然擦除效果较好，但计算成本高昂，难以扩展；另一类是基于编辑的方法，效率更高、更便于部署，却难以在精确擦除目标概念的同时保持模型整体的生成能力。作者将后者的核心缺陷归结为对加性参数更新的依赖。
为验证这一判断，研究团队进行了实证分析，发现概念语义主要取决于神经元的方向而非幅值，而模型的整体生成能力则依赖神经元的角几何结构。加性更新会不可避免地使方向、幅值与角几何相互纠缠，从而在概念擦除与整体生成性能之间引入非预期的干扰。这一发现为方法设计提供了几何视角的理论依据。
基于上述分析，作者提出正交概念擦除（Orthogonal Concept Erasure，OCE），将基于编辑的擦除重新表述为乘性参数更新。具体而言，OCE 依据闭式解对参数施加逐层正交变换，在精确擦除概念的同时保留神经元的幅值与角几何。针对多概念擦除中的约束冲突，OCE 进一步引入子空间级目标与结构化子空间操作，使擦除更有效、更具可扩展性。
实验部分覆盖单概念与多概念擦除场景。结果表明，OCE 在概念擦除效果与非目标内容保持两方面均优于现有方法，并可在 4.3 秒内擦除多达 100 个概念。论文代码已在 GitHub 公开（https://github.com/HansSunY/OCE），作者为 Yuhao Sun 等共 6 人，全文约 18,125 KB，可通过 arXiv 获取 PDF、实验性 HTML 与 TeX 源码。