arXiv 2026年10月6日该工作提出 FADE，一个面向文生视频扩散 Transformer 的多概念遗忘框架：先用联合闭式键/值编辑抑制全部目标概念，再为每个概念训练由帧索引与去噪时间步门控的帧感知低秩适配器以消除逐帧残留泄漏，并用基于相似度的软路由按提示组合适配器；在单个 Wan2.1-T2V-1.3B 上同时擦除 16 个概念（物体、艺术风格与裸露）时，物体基准残留准确率降至 4.9%（八个基线中最强者为 15.5%），VBench 平均与未编辑模型相差 0.9% 以内，且该排序在 VLM 评判与盲测人工研究中保持一致。该工作提出 FADE，一个面向文生视频扩散 Transformer 的多概念遗忘框架：先用联合闭式键/值编辑抑制全部目标概念，再为每个概念训练由帧索引与去噪时间步门控的帧感知低秩适配器以消除逐帧残留泄漏，并用基于相似度的软路由按提示组合适配器；在单个 Wan2.1-T2V-1.3B 上同时擦除 16 个概念（物体、艺术风格与裸露）时，物体基准残留准确率降至 4.9%（八个基线中最强者为 15.5%），VBench 平均与未编辑模型相差 0.9% 以内，且该排序在 VLM 评判与盲测人工研究中保持一致。FADE 在单个文生视频模型上同时擦除 16 个概念，将物体残留准确率从最强基线的 15.5% 降至 4.9%，VBench 平均仅差 0.9%该工作提出 FADE，一个面向文生视频扩散 Transformer 的多概念遗忘框架：先用联合闭式键/值编辑抑制全部目标概念，再为每个概念训练由帧索引与去噪时间步门控的帧感知低秩适配器以消除逐帧残留泄漏，并用基于相似度的软路由按提示组合适配器；在单个 Wan2.1-T2V-1.3B 上同时擦除 16 个概念（物体、艺术风格与裸露）时，物体基准残留准确率降至 4.9%（八个基线中最强者为 15.5%），VBench 平均与未编辑模型相差 0.9% 以内，且该排序在 VLM 评判与盲测人工研究中保持一致。该工作提出 FADE，一个面向文生视频扩散 Transformer 的多概念遗忘框架：先用联合闭式键/值编辑抑制全部目标概念，再为每个概念训练由帧索引与去噪时间步门控的帧感知低秩适配器以消除逐帧残留泄漏，并用基于相似度的软路由按提示组合适配器；在单个 Wan2.1-T2V-1.3B 上同时擦除 16 个概念（物体、艺术风格与裸露）时，物体基准残留准确率降至 4.9%（八个基线中最强者为 15.5%），VBench 平均与未编辑模型相差 0.9% 以内，且该排序在 VLM 评判与盲测人工研究中保持一致。