વાંચવાનો સમય 4 મિનિટ

ડિફ્યુઝન મોડેલ: કમ્પ્યુટર ધૂંધળા ટપકાંમાંથી અદભુત અને સુંદર ચિત્ર કેવી રીતે બનાવે છે?

પ્રકાશિત

30 સેકન્ડમાં સાર

ડિફ્યુઝન મોડેલ એ જનરેટિવ આર્ટિફિશિયલ ઇન્ટેલિજન્સની એવી પદ્ધતિ છે જે સંપૂર્ણપણે અસ્પષ્ટ, ધૂંધળા અને અસ્તવ્યસ્ત ડિજિટલ બિંદુઓમાંથી અત્યંત ઉચ્ચ ગુણવત્તાવાળાં ચિત્રોનું નિર્માણ કરે છે. કમ્પ્યુટર ચિત્ર પર ધીમે ધીમે ધૂળ ભેગી કરવાની અને પછી તે જ ધૂળને ઊંધા ક્રમે કણે-કણ સાફ કરીને મૂળ આકાર મેળવવાની અદભુત પ્રક્રિયા શીખે છે.

ધૂંધળા ગૂંચવાડા વચ્ચેથી સુંદર આકારોનો જન્મ કેવી રીતે થાય છે?

જૂના ટીવીમાં કેબલનો વાયર હલી જતો ત્યારે સ્ક્રીન પર કાળા-ધોળા ઝીણા ટપકાંઓનો મોટો ગૂંચવાડો દેખાતો જેને આપણે ઝરમરિયા કહેતા. તેમાં કોઈ ઝાડ નહોતું, કોઈ પર્વત નહોતો, ફક્ત અવાજ અને અસ્તવ્યસ્ત બિંદુઓ હતા. હવે કલ્પના કરો કે તમે કમ્પ્યુટરને કહો છો, 'મને સોમનાથના દરિયાકિનારે સાંજની આરતી વખતે ઊભેલા ભક્તનું ચિત્ર જોઈએ છે.' અને પેલા ઝરમરિયામાંથી ધીમે ધીમે વધારાના ટપકાં દૂર થતા જાય છે અને માત્ર દસ સેકન્ડમાં એક અદભુત, જીવંત ચિત્ર તમારી સામે પ્રગટ થઈ જાય છે! આ કોઈ ચમત્કાર લાગે, પણ તેની પાછળ ગણિતનું ઊંડું વિજ્ઞાન છે.

આ ટેકનોલોજીને ડિફ્યુઝન મોડેલ કહેવામાં આવે છે. આજે ઇન્ટરનેટ પર શબ્દો પરથી ચિત્રો બનાવતા મોટાભાગના આધુનિક સોફ્ટવેર આ જ સિદ્ધાંત પર કામ કરે છે.

સવારના ગાઢ ધુમ્મસમાં મૂર્તિ કંડારતો શિલ્પકાર

આ પ્રક્રિયાને સાદી રીતે સમજવા માટે શિયાળાની વહેલી સવારે એક પથ્થરની શિલા સામે ઊભેલા કુશળ શિલ્પકારની કલ્પના કરો. પહાડની તળેટીમાં એટલું ગાઢ સફેદ ધુમ્મસ છવાયેલું છે કે બે હાથ છેટે પણ કશું દેખાતું નથી. શિલ્પકાર સામે આરસપહાણનો એક મોટો, ખરબચડો પથ્થર પડેલો છે જેના પર ધૂળ અને માટીના થર જામેલા છે.

શિલ્પકારને તે પથ્થરમાંથી એક સુંદર મૂર્તિ કંડારવી છે. તે એક સામટો મોટો ઘા નથી મારતો. પહેલા તબક્કામાં તે પથ્થર પરની નકામી માટી અને ધૂળને હળવેથી સાફ કરે છે; ધુમ્મસ વચ્ચેથી એક આછો આકાર દેખાવા લાગે છે. બીજા તબક્કામાં તે વધારાના ખૂણાઓ ટાંકણાથી હળવે હળવે દૂર કરે છે. દરેક ટકોરા સાથે તે નકામો કચરો પથ્થરમાંથી બાજુએ હટાવતો જાય છે. છેવટે સૂર્યનારાયણ ઊગે છે, ધુમ્મસ વિખેરાઈ જાય છે અને તે પથ્થરમાં છુપાયેલી તેજસ્વી મૂર્તિ આખી દુનિયા સામે પ્રગટ થઈ જાય છે.

કમ્પ્યુટરનું ડિફ્યુઝન મોડેલ બરાબર આ શિલ્પકારની જેમ કામ કરે છે. તે કોરા કાગળ પર પેન્સિલથી લીટા દોરીને શરૂઆત નથી કરતું. તે આખી સ્ક્રીન પર ડિજિટલ ધૂળ જેવા લાખો રંગીન ટપકાં ફેલાવી દે છે. પછી તમારી સૂચના મુજબ જે ટપકાં નથી જોઈતા તેને ધીમે ધીમે ભૂંસતું જાય છે, જ્યાં સુધી અંદર છુપાયેલું અસલ ચિત્ર પૂરું બહાર ન આવી જાય.

આજના વ્યવહારમાં ડિફ્યુઝન મોડેલ્સ ક્યાં ઉપયોગી બને છે?

આ ટેકનોલોજી આજે માત્ર શોખ પૂરતી મર્યાદિત નથી રહી, પરંતુ વેપાર-ધંધા અને વિજ્ઞાનમાં ક્રાંતિ લાવી રહી છે:

  • વેપારી જાહેરાતો અને પ્રોડક્ટ પેકેજિંગ: કોઈપણ નવી પ્રોડક્ટનું આકર્ષક કવર કે પોસ્ટર થોડી જ ક્ષણોમાં ડિઝાઇન કરવા માટે કંપનીઓ આ સોફ્ટવેર વાપરે છે.
  • ફિલ્મો અને વિડિયો ગેમ્સના કાલ્પનિક દ્રશ્યો: સિનેમાના નિર્દેશકો કાલ્પનિક મહેલો, અવકાશયાન કે પૌરાણિક નગરોના દ્રશ્યો તૈયાર કરવા માટે આ ચિત્રોનો ઉપયોગ કરે છે.
  • જૂના અને બગડી ગયેલા ફોટાઓનું સમારકામ: ઘરના વડીલોના જૂના, ઝાંખા કે ફાટી ગયેલા કાળા-ધોળા ફોટાને એકદમ સાફ, રંગીન અને સ્પષ્ટ બનાવવા માટે આ ટેકનોલોજી વરદાનરૂપ છે.
  • તબીબી એક્સ-રે અને સીટી સ્કેન વધુ સ્પષ્ટ કરવા: હોસ્પિટલોમાં દર્દીઓના સ્કેનિંગમાં રહેલો ધૂંધળો કચરો દૂર કરીને ડોક્ટરોને રોગનું સચોટ નિદાન કરવામાં મદદ મળે છે.

આ મોડેલ્સ વાપરતી વખતે ધ્યાનમાં રાખવા જેવી બાબતો

આવા સોફ્ટવેરથી ચિત્રો બનાવવાનું સાવ સરળ હોવા છતાં, ઉત્તમ પરિણામ મેળવવા માટે કેટલીક વિગતો જાણવી જરૂરી છે.

  • વિગતવાર વર્ણન આપવાથી ચિત્ર વધુ સારું બને છે: માત્ર 'ગાય' લખવાને બદલે 'લીલા ખેતરમાં ચરતી દેશી ગીર ગાય, સવારનો સોનેરી તડકો' એવું વર્ણન લખવાથી સુંદર પરિણામ મળે છે.
  • હાથની આંગળીઓ અને લખાણમાં ભૂલો તપાસો: કમ્પ્યુટર હજી પણ માણસના હાથની પાંચ આંગળીઓ દોરવામાં કે ચિત્રમાં ગુજરાતી અક્ષરો લખવામાં ઘણીવાર થાપ ખાઈ જાય છે.
  • મૂળ કલાકારોના શ્રમ અને હક્કોનું સન્માન કરો: આ સિસ્ટમ લાખો સાચા ચિત્રો જોઈને શીખી છે, તેથી કોઈ જીવંત કલાકારની કળાની બેઠેબેઠી નકલ ન થાય તેનું ધ્યાન રાખવું જોઈએ.

અસ્તવ્યસ્ત ધૂંધળાપણામાંથી સુંદરતા શોધી કાઢવી એ માનવીય કલ્પનાની એક મોટી સિદ્ધિ છે. વિજ્ઞાને આપેલા આ ડિજિટલ ટાંકણા અને પીંછીનો વિવેકપૂર્વક ઉપયોગ કરીને કોઈપણ વ્યક્તિ પોતાના મનની સૃષ્ટિને કાગળ પર સાકાર કરી શકે છે.

સ્ત્રોતો
  1. Photorealistic Text-to-Image Diffusion Models with Deep Language UnderstandingGoogle Research