ડિફ્યુઝન મોડેલ: અસ્તવ્યસ્ત ડિજિટલ ટપકાંઓમાંથી એઆઈ સુંદર ચિત્ર કેવી રીતે બનાવે છે?

અસ્તવ્યસ્ત ઘોંઘાટમાંથી આકારોનો જન્મ: ચિત્ર નિર્માણની અનોખી રીત

ધારો કે કોઈ વાર્તા કે પુસ્તક માટે તમને સવારના સોનેરી તડકામાં બગીચામાં રમતી નાની બિલાડીનું ચિત્ર જોઈએ છે. તમે કમ્પ્યુટર પર આ વર્ણન ટાઈપ કરો છો અને થોડી જ સેકન્ડોમાં સ્ક્રીન પર એક નયનરમ્ય ચિત્ર પ્રગટ થાય છે. ઘણા લોકોને એવું લાગે છે કે કમ્પ્યુટરે ગુગલ પરથી બિલાડીનો અને ઘાસનો ફોટો શોધીને કાપી-ચોંટાડી દીધો હશે. પરંતુ વાસ્તવિકતા સાવ અલગ છે. આ ચિત્ર દુનિયામાં પહેલાં ક્યારેય અસ્તિત્વમાં જ નહોતું; તે શૂન્યમાંથી નવેસરથી દોરાયેલું છે. આ અદભુત પ્રક્રિયા પાછળ કામ કરતી પદ્ધતિને ડિફ્યુઝન મોડેલ કહેવામાં આવે છે.

આજે Midjourney, Canva કે Google Imagen જેવા લખાણમાંથી ચિત્ર બનાવતાં સાધનો (જેને ટેક્સ્ટ-ટુ-ઇમેજ જનરેટર્સ કહેવાય છે) માં ડિફ્યુઝન મોડેલ સૌથી લોકપ્રિય છે. કલ્પના કરો કે એક કલાકારે જૂના જમાનાના ટીવીના ઝરમરીયા જેવા અસંખ્ય અસ્તવ્યસ્ત રંગીન ટપકાંઓ (પિક્સેલ્સ) થી ભરેલો કાગળ લીધો છે. કલાકાર ધીમે ધીમે તેમાંથી વધારાના ટપકાં ભૂંસતો જાય છે અને અંદર છુપાયેલો બિલાડીનો આકાર બહાર લાવે છે. ડિફ્યુઝન મોડેલ બરાબર આ જ રીતે કામ કરે છે: તે અસ્તવ્યસ્ત ઘોંઘાટમાંથી તબક્કાવાર સુંદર આકાર બહાર કાઢે છે.

ધૂંધળાપણામાંથી આકાર સ્પષ્ટ થવાની તબક્કાવાર પ્રક્રિયા

કમ્પ્યુટરને આ કળા શીખવવા માટે લાખો અસલ ચિત્રો બતાવવામાં આવે છે. તાલીમ દરમિયાન (જેને મોડેલ ટ્રેનિંગ કહે છે) તે સાચા ચિત્ર પર ધીમે ધીમે ડિજિટલ ધૂળ કે ઘોંઘાટ (જેને નોઈઝ કહેવાય છે) ઉમેરવામાં આવે છે, જ્યાં સુધી મૂળ ચિત્ર સાવ ભૂંસાઈ ન જાય અને માત્ર ઘોંઘાટ જ ન બચે. આ પ્રક્રિયાનો ઊંધો અભ્યાસ કરીને કમ્પ્યુટર શીખે છે કે કયા પગલે કઈ ડિજિટલ ધૂળ સાફ કરવી (જેને ડીનોઈઝિંગ કહે છે) જેથી મૂળ આકાર બહાર આવે. જ્યારે તમે નવું ચિત્ર બનાવવાનું કહો છો, ત્યારે મોડેલ સંપૂર્ણ અસ્તવ્યસ્ત ચોકઠાથી શરૂ કરે છે. શરૂઆતના પગલાંઓમાં માત્ર રંગોના આછા પટ્ટા દેખાય છે, પછી બિલાડીની આઉટલાઇન બને છે અને છેલ્લે રૂંવાટી, આંખો અને તડકાનો પ્રકાશ ગોઠવાઈને સુંદર ચિત્ર તૈયાર થાય છે.

Google Research ના સંશોધન અહેવાલો મુજબ, શબ્દોના અર્થ અને આ ધૂળ સાફ કરવાની પ્રક્રિયા એકસાથે મળીને કામ કરે છે. ભાષા મોડેલ શબ્દોનો સાચો અર્થ સમજીને ડિફ્યુઝનના દરેક પગલાને સાચી દિશા આપે છે—જેમ કે બિલાડીની રૂંવાટી સફેદ રાખવી કે ભૂરી, અને ઘાસનો રંગ લીલો રાખવો. તેથી શબ્દોને સમજવાની અને દ્રશ્ય રચવાની આ બંને ક્ષમતાઓ એકબીજા સાથે જોડાઈને કામ કરે છે.

અહીં એક મહત્વની તકનીકી મર્યાદા સમજવી જરૂરી છે. ચિત્ર નિર્માણમાં ડિફ્યુઝન એ એક અત્યંત લોકપ્રિય રીત છે, પરંતુ તે એકમાત્ર પદ્ધતિ નથી; આ સિવાય પણ નવી સામગ્રી બનાવતી અન્ય પદ્ધતિઓ (જનરેટિવ મોડેલ્સ) ઉપલબ્ધ છે. વળી, આ મોડેલ ચિત્રની અંદર રહેલા તત્વોનો માનવીય અર્થ કે વાસ્તવિકતા નથી સમજતું. તે માત્ર શીખેલા ગણતરીના સંબંધો ફરી જોડે છે. તેથી ઘણીવાર ચિત્રમાં લખેલા અક્ષરોમાં સ્પેલિંગની વિચિત્ર ભૂલો થાય છે અથવા માણસના હાથમાં પાંચને બદલે છ આંગળીઓ દોરાઈ જાય છે (જેને વિઝ્યુઅલ આર્ટિફેક્ટ્સ અથવા દ્રશ્ય ક્ષતિઓ કહે છે).

ડિફ્યુઝન સાધનો વાપરતી વખતે ધ્યાનમાં રાખવા જેવી બાબતો

ચિત્ર બનાવતાં સાધનોનો સાચો અને અસરકારક ઉપયોગ કરવા માટે કેટલીક બાબતો ખાસ સમજવી જોઈએ:

• વર્ણનમાં વિગતવાર સંદર્ભ અને પ્રકાશની સ્થિતિ જણાવો: માત્ર બિલાડી લખવાને બદલે લીલા ઘાસ પર સવારના આછા તડકામાં બેઠેલી નાની બિલાડી એવું વર્ણન લખવાથી મોડેલને યોગ્ય આકારો પસંદ કરવામાં ઘણી સરળતા રહે છે.
• હાથની આંગળીઓ અને લખાણની જાતે ચકાસણી કરો: ચિત્રમાં દેખાતા બોર્ડ પરના અક્ષરો, માણસના હાથની પાંચ આંગળીઓ અને પાછળની વસ્તુઓના કદ ધ્યાનથી તપાસો, કારણ કે કમ્પ્યુટર ત્યાં ઘણીવાર ભૂલો કરી બેસે છે.
• મળેલા ચિત્રને કોઈ સાચી ઘટનાનો પુરાવો ન માનો: આ ચિત્ર ગણતરીઓ દ્વારા તૈયાર થયેલું એક કાલ્પનિક દ્રશ્ય છે, તેથી તેને ઐતિહાસિક કે કાનૂની દસ્તાવેજ તરીકે રજૂ કરતી વખતે સાવચેતી રાખવી જોઈએ.

અસ્પષ્ટ ટપકાંઓમાંથી સુંદર કલા રચી આપવી એ કમ્પ્યુટર વિજ્ઞાનની એક મોટી સિદ્ધિ છે. આ સાધન માનવીય કલ્પનાને પાંખો આપે છે, પરંતુ આખરે તૈયાર થયેલા ચિત્રની સુંદરતા અને સત્યતા પારખવાની સાચી જવાબદારી માણસની પોતાની નજર પર જ રહે છે.