본 논문은 텍스트-이미지 확산 모델에서 유해 콘텐츠 생성을 방지하기 위해, 특정 개념을 제거하면서 나머지 개념은 유지하는 국소적 개념 삭제(localized concept erasure) 프레임워크를 제시합니다. 기존 방법들이 국소적으로 나타나는 타겟 개념을 제거하는 과정에서 다른 영역의 이미지 충실도를 떨어뜨리는 문제점을 해결하기 위해, 훈련이 필요 없는 경량 모듈인 Gated Low-rank adaptation for Concept Erasure (GLoCE)를 제안합니다. GLoCE는 저차원 행렬과 간단한 게이트로 구성되어 있으며, 몇몇 생성 단계만으로 개념을 판별하여 타겟 개념이 포함된 영역만 선택적으로 제거합니다. 실험 결과, GLoCE는 타겟 개념을 제거한 후에도 이미지 충실도를 향상시키고, 기존 방법들보다 효율성, 특이성, 강건성 면에서 우수한 성능을 보이며, 다수 개념 삭제에도 확장 가능함을 보여줍니다.
