Les modèles de diffusion texte-image (T2I) ont obtenu des résultats remarquables dans la génération d'images de haute qualité. Cependant, leur capacité à stocker de vastes quantités de connaissances pose des défis lorsqu'un oubli sélectif est requis, comme la suppression de contenu protégé par le droit d'auteur, la réduction des biais ou la suppression de concepts nuisibles. Les méthodes de désapprentissage existantes peuvent supprimer des concepts spécifiques, mais elles peinent à gérer l'oubli multi-concepts en raison de l'instabilité, de la persistance des connaissances résiduelles et de la mauvaise qualité de génération. Pour résoudre ces problèmes, nous proposons dans cet article un nouveau cadre de désapprentissage pour l'oubli multi-concepts dans les modèles de diffusion : le masque dynamique et la perte sensible aux concepts . Le mécanisme du masque dynamique met à jour de manière adaptative le masque de gradient en fonction de l'état d'optimisation actuel, permettant une modification sélective du poids afin d'éviter toute interférence avec des connaissances non pertinentes. De plus, la perte sensible aux concepts guide explicitement le processus de désapprentissage en garantissant la cohérence sémantique grâce à l'alignement des superclasses, tandis que la perte de régularisation basée sur la distillation des connaissances garantit que les concepts précédemment désappris sont continuellement oubliés lors du désapprentissage séquentiel. Des expériences approfondies sont menées pour évaluer la méthode proposée, et les résultats montrent qu'elle surpasse les techniques de désapprentissage existantes en termes d'efficacité de l'oubli, de fidélité des résultats et de cohérence sémantique, notamment dans les scénarios multi-concepts. Ce travail fournit un cadre rigoureux et flexible pour un désapprentissage robuste et haute fidélité à partir de modèles génératifs. Le code sera rendu public.
