텍스트-이미지(T2I) 확산 모델은 고품질 이미지 생성에 괄목할 만한 성공을 거두었지만, 방대한 지식을 저장하는 능력으로 인해 저작권 콘텐츠 제거, 편향 감소 또는 유해 개념 제거와 같이 선택적 망각이 필요한 경우 문제가 발생합니다. 기존의 언러닝 방법은 특정 개념을 제거할 수 있지만, 불안정성, 잔여 지식 지속 및 생성 품질 저하로 인해 다중 개념 망각에는 어려움을 겪습니다. 이러한 문제를 해결하기 위해 본 논문에서는 확산 모델에서 다중 개념 망각을 위한 새로운 언러닝 프레임워크인 Dynamic Mask와 Concept-Aware Loss를 제안합니다. Dynamic Mask 메커니즘은 현재 최적화 상태에 따라 기울기 마스크를 적응적으로 업데이트하여 관련 없는 지식과의 간섭을 방지하는 선택적 가중치 수정을 허용합니다. 또한, Concept-Aware Loss는 상위 클래스 정렬을 통해 의미적 일관성을 강화하여 언러닝 과정을 명시적으로 안내하는 동시에, 지식 증류 기반의 규제 손실은 이전에 언러닝된 개념이 순차적 언러닝 중에 계속 잊혀지도록 합니다. 광범위한 실험을 통해 제안된 방법을 평가한 결과, 특히 다중 개념 시나리오에서 기존 언러닝 기법보다 망각 효과, 출력 충실도 및 의미적 일관성 면에서 우수한 성능을 보였습니다. 본 연구는 생성 모델에서 안정적이고 고충실도 언러닝을 위한 원칙적이고 유연한 프레임워크를 제공합니다. 코드는 공개적으로 배포될 예정입니다.
