ഡിഫ്യൂഷൻ മോഡൽ: മങ്ങിയ പുള്ളികളിൽ നിന്ന് കമ്പ്യൂട്ടർ വ്യക്തമായ ചിത്രം നിർമ്മിക്കുന്നത് എങ്ങനെ?

അലങ്കോലമായ ഡിജിറ്റൽ കുത്തുകളിൽ നിന്ന് രൂപങ്ങൾ വിരിയുന്നത് എങ്ങനെ?

പഴയ ടെലിവിഷൻ സെറ്റുകളിൽ സിഗ്നൽ ഇല്ലാത്തപ്പോൾ സ്ക്രീനിൽ കാണുന്ന കറുപ്പും വെളുപ്പും കുത്തുകളെ ഓർമ്മയുണ്ടോ? സാങ്കേതികമായി ഇതിനെ ഡിജിറ്റൽ നോയ്സ് (Digital Noise) എന്ന് വിളിക്കുന്നു. ഇതിൽ യാതൊരു രൂപവുമില്ല. എന്നാൽ ആധുനിക കൃത്രിമബുദ്ധി സംവിധാനങ്ങൾ ഈ അലങ്കോലമായ കുത്തുകളിൽ നിന്നാണ് മനോഹരമായ പ്രകൃതിദൃശ്യങ്ങളും ചിത്രങ്ങളും നിർമ്മിച്ചെടുക്കുന്നത്. ഈ പ്രക്രിയയെ ഡിഫ്യൂഷൻ മോഡൽ (Diffusion Model) എന്ന് വിളിക്കുന്നു.

പലരും കരുതുന്നത് കമ്പ്യൂട്ടർ ഗൂഗിളിൽ നിന്നോ ഒരു വലിയ ഫോട്ടോ ആർക്കൈവിൽ നിന്നോ ചിത്രങ്ങൾ തിരഞ്ഞ്, തലയും ഉടലും പശ്ചാത്തലവും വെട്ടി ഒട്ടിച്ച് ഒരു കൊളാഷ് ഉണ്ടാക്കുകയാണെന്നാണ്. എന്നാൽ അതൊരു തെറ്റായ ധാരണയാണ്. ഡിഫ്യൂഷൻ മോഡലുകൾ നിലവിലുള്ള ചിത്രങ്ങൾ കൂട്ടിച്ചേർക്കുകയല്ല ചെയ്യുന്നത്. പരിശീലന വേളയിൽ ലക്ഷക്കണക്കിന് ചിത്രങ്ങളിൽ ഘട്ടംഘട്ടമായി ഡിജിറ്റൽ നോയ്സ് ചേർത്ത്, അവസാനം അവ വെറും ക്രമരഹിതമായ കുത്തുകളായി മാറുന്ന പ്രക്രിയ കമ്പ്യൂട്ടർ പഠിക്കുന്നു. തുടർന്ന് ഇതിന്റെ നേർവിപരീതമായ വഴിയിലൂടെ, ആ പാടുകളെ പടിപടിയായി എങ്ങനെ തുടച്ചുമാറ്റാമെന്ന് അത് പരിശീലിക്കുന്നു.

യഥാർത്ഥത്തിൽ പുതിയൊരു ചിത്രം ഉണ്ടാക്കാൻ ആവശ്യപ്പെടുമ്പോൾ, കമ്പ്യൂട്ടർ ശൂന്യമായ ഒരു ക്യാൻവാസിൽ ആദ്യം നിറയെ അലങ്കോലമായ പുള്ളികൾ നിറയ്ക്കുന്നു. തുടർന്ന് നിങ്ങൾ നൽകിയ വാചകങ്ങളുടെ അർത്ഥം മനസ്സിലാക്കി, ആ പുള്ളികളിൽ നിന്ന് ആവശ്യമില്ലാത്ത ഭാഗങ്ങൾ ഓരോ ഘട്ടത്തിലും അല്പം വീതം കുറയ്ക്കുന്നു. മുപ്പതോ അൻപതോ മൈക്രോ ഘട്ടങ്ങൾ കഴിയുമ്പോൾ ആ അവ്യക്തത മാറി വ്യക്തമായൊരു ദൃശ്യം മുന്നിൽ തെളിയുന്നു. മുൻപ് വലിയ സൂപ്പർ കമ്പ്യൂട്ടറുകൾ വേണ്ടിയിരുന്ന ഈ പ്രക്രിയ ഇന്ന് വ്യക്തിഗത കമ്പ്യൂട്ടറുകളിലും സ്മാർട്ട്ഫോണുകളിലും വരെ നിമിഷങ്ങൾക്കകം പ്രവർത്തിപ്പിക്കാൻ സാധിക്കുന്നുണ്ട്.

പരിശീലന ഘട്ടത്തിൽ ലക്ഷക്കണക്കിന് ചിത്രങ്ങൾ കാണിച്ച് അവയിലേക്ക് മനഃപൂർവ്വം ഡിജിറ്റൽ കുത്തുകൾ പടിപടിയായി ചേർക്കുന്നു (ഫോർവേഡ് പ്രോസസ്സ് അഥവാ Forward Process). ചിത്രം പൂർണ്ണമായും മറഞ്ഞുപോകുന്നത് വരെ ഇത് തുടരുന്നു. തുടർന്ന് ഇതിനെ വിപരീതമായി വിശകലനം ചെയ്ത് (റിവേഴ്സ് ഡിഫ്യൂഷൻ അഥവാ Reverse Denoising), ഏതെല്ലാം കുത്തുകൾ നീക്കം ചെയ്താൽ യഥാർത്ഥ ചിത്രം തിരികെ കിട്ടുമെന്ന് കമ്പ്യൂട്ടർ പഠിക്കുന്നു.

ഈ പ്രക്രിയ മനസ്സിലാക്കാൻ കഠിനമായ മൂടൽമഞ്ഞുള്ള ഒരു പ്രഭാതത്തിൽ വലിയൊരു മാർബിൾ പാറയ്ക്ക് മുന്നിൽ നിൽക്കുന്ന ശില്പിയെ ഓർക്കുക. ആദ്യം ചുറ്റും വെളുത്ത മഞ്ഞ് മാത്രമാണ് കാണുന്നത്, പാറയുടെ മങ്ങിയ ഒരു നിഴലല്ലാതെ മറ്റൊന്നും ദൃശ്യമല്ല. ശില്പി തന്റെ ഉളിയെടുത്ത് പണി തുടങ്ങുന്നു. ആദ്യത്തെ ഏതാനും ഘട്ടങ്ങളിൽ പാറയിലെ പരുക്കൻ ഭാഗങ്ങൾ മാത്രമാണ് കൊത്തി മാറ്റുന്നത്. മഞ്ഞ് അല്പം മാറുമ്പോൾ ഒരു പ്രാഥമിക രൂപം തെളിയുന്നു. അടുത്ത ഘട്ടങ്ങളിൽ കണ്ണുകളും വസ്ത്രങ്ങളുടെ മടക്കുകളും ആഭരണങ്ങളും അതീവ സൂക്ഷ്മതയോടെ കൊത്തിയെടുക്കുന്നു. ഒടുവിൽ സൂര്യപ്രകാശം വീഴുമ്പോൾ പാറയിലെ അവസാനത്തെ പൊടിപടലങ്ങളും നീക്കം ചെയ്ത് മനോഹരമായൊരു ശില്പം പൂർത്തിയാകുന്നു.

നിങ്ങൾ നൽകുന്ന വാചകങ്ങളാണ് ഈ പ്രക്രിയയിൽ വഴികാട്ടിയായി പ്രവർത്തിക്കുന്നത്. ഇന്ന് ഇന്റർനെറ്റ് സഹായമില്ലാതെ തന്നെ മൊബൈൽ ഫോണുകളിൽ നേരിട്ട് പ്രവർത്തിക്കുന്ന (ഓൺ-ഡിവൈസ് ഡിഫ്യൂഷൻ അഥവാ On-device Diffusion) സംവിധാനങ്ങൾ വരെ നിലവിലുണ്ട്.

എങ്കിലും ചില സാങ്കേതിക പരിമിതികൾ ഇതിനുണ്ട്. കമ്പ്യൂട്ടറിന് മനുഷ്യശരീരത്തിന്റെ ശാസ്ത്രീയമായ ഘടന യഥാർത്ഥത്തിൽ അറിയില്ല. അതുകൊണ്ട് കൈവിരലുകളുടെ എണ്ണത്തിലോ അക്ഷരങ്ങളിലോ ചെറിയ അസ്വാഭാവികതകൾ വരാൻ സാധ്യതയുണ്ട്. അതിനാൽ കമ്പ്യൂട്ടർ ഉണ്ടാക്കുന്ന ചിത്രങ്ങൾ മനുഷ്യന്റെ കണ്ണ് കൊണ്ട് പരിശോധിച്ച് ഉറപ്പുവരുത്തണം.

ഡിഫ്യൂഷൻ മോഡലുകൾക്ക് അത്ഭുതകരമായ ചിത്രങ്ങൾ നിർമ്മിക്കാൻ കഴിയുമെങ്കിലും ഇവയ്ക്ക് വ്യക്തമായ ചില സാങ്കേതിക പരിമിതികളുണ്ട്. ചിത്രങ്ങൾക്കുള്ളിൽ കൃത്യമായ അക്ഷരങ്ങളും വാക്കുകളും എഴുതാൻ കമ്പ്യൂട്ടറിന് ഇന്നും വലിയ ബുദ്ധിമുട്ടാണ്. ഉദാഹരണത്തിന്, ഒരു ബോർഡിലെ കടയുടെ പേര് ടൈപ്പ് ചെയ്തു നൽകിയാൽ അക്ഷരങ്ങൾ തെറ്റുകയോ വികലമായ രൂപങ്ങൾ വരികയോ ചെയ്യാം. അതുപോലെ തന്നെ മനുഷ്യരുടെ കൈവിരലുകൾ, പല്ലുകൾ, സൂക്ഷ്മമായ ആഭരണങ്ങൾ എന്നിവ വരയ്ക്കുമ്പോൾ ആറ് വിരലുകൾ വരികയോ ആകൃതി വികൃതമാവുകയോ ചെയ്യുന്നത് സാധാരണമാണ്.

കൂടാതെ സങ്കീർണ്ണമായ സ്ഥാന ക്രമീകരണങ്ങൾ മനസ്സിലാക്കാനും ഇവയ്ക്ക് പ്രയാസമുണ്ട്. ഉദാഹരണത്തിന്, കസേരയ്ക്ക് വലതുവശത്ത് പൂച്ചയും ഇടതുവശത്ത് പട്ടിയും വേണമെന്ന് നിർദ്ദേശിച്ചാൽ പലപ്പോഴും ഇവ പരസ്പരം മാറിപ്പോകാൻ സാധ്യതയുണ്ട്. കമ്പ്യൂട്ടർ ലോകത്തെ മനസ്സിലാക്കുന്നത് സാമാന്യബുദ്ധി കൊണ്ടല്ല, മറിച്ച് ഗണിതശാസ്ത്രപരമായ കുത്തുകളുടെ ചേർച്ച കൊണ്ടാണ് എന്ന് ഇത് തെളിയിക്കുന്നു.

ഡിഫ്യൂഷൻ ചിത്രങ്ങൾ ഉപയോഗിക്കുമ്പോൾ ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

ഡിജിറ്റൽ ചിത്രങ്ങൾ നിർമ്മിക്കുമ്പോൾ ഈ പ്രായോഗിക കാര്യങ്ങൾ മനസ്സിൽ കരുതുക:

• വിരലുകളും ശരീരഭാഗങ്ങളും സൂക്ഷ്മമായി പരിശോധിക്കുക: ആളുകളുടെ ചിത്രങ്ങൾ ഉണ്ടാക്കുമ്പോൾ കൈവിരലുകളുടെ എണ്ണവും മുഖത്തിന്റെ ഘടനയും സ്വാഭാവികമാണെന്ന് ഉറപ്പുവരുത്തുക.
• അക്ഷരങ്ങളും ബോർഡുകളും പ്രത്യേകം ശ്രദ്ധിക്കുക: ചിത്രങ്ങളിലെ വാചകങ്ങളിൽ അക്ഷരത്തെറ്റുകൾ വരാൻ സാധ്യതയുള്ളതിനാൽ അവ ആവശ്യാനുസരണം ഫോട്ടോഷോപ്പ് പോലുള്ള ടൂളുകളിൽ തിരുത്തുക.
• വിശദമായ പ്രോംപ്റ്റുകൾ നൽകുക: വെളിച്ചത്തിന്റെ ദിശ, പശ്ചാത്തലം, നിറങ്ങൾ എന്നിവ വ്യക്തമായി വിവരിക്കുന്നത് കൂടുതൽ അനുയോജ്യമായ ചിത്രങ്ങൾ ലഭിക്കാൻ സഹായിക്കും.
• തുടക്കമായി മാത്രം കാണുക: എഐ തരുന്ന ചിത്രങ്ങളെ ഒരു അന്തിമ ഉൽപ്പന്നമായി കാണാതെ, സ്വന്തം സർഗ്ഗാത്മകത കൂട്ടിച്ചേർക്കാനുള്ള ഒരു പരുക്കൻ മാതൃകയായി ഉപയോഗിക്കുക.

ശൂന്യതയിൽ നിന്ന് ക്രമേണ രൂപങ്ങൾ തെളിച്ചെടുക്കുന്ന ഈ വിദ്യ ഡിജിറ്റൽ കലാരംഗത്ത് വലിയ സാധ്യതകളാണ് തുറന്നിടുന്നത്. യന്ത്രങ്ങൾക്ക് കുത്തുകൾ മാറ്റി രൂപങ്ങൾ തരാൻ കഴിഞ്ഞേക്കാം, എന്നാൽ ആ രൂപങ്ങൾക്ക് ജീവനും ആത്മാവും പകരുന്നത് മനുഷ്യന്റെ ഭാവനയും ചിന്തകളും തന്നെയാണ്.