വായിക്കാൻ 3 മിനിറ്റ്

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

പ്രസിദ്ധീകരിച്ചത്

30 സെക്കൻഡിൽ സാരം

ഡിഫ്യൂഷൻ മോഡൽ എന്നാൽ ചിത്രരചനയ്ക്കുള്ള കൃത്രിമബുദ്ധി സാങ്കേതികവിദ്യയാണ്. പൂർണ്ണമായും അവ്യക്തമായ ഡിജിറ്റൽ നോയ്സിൽ നിന്ന് ആരംഭിച്ച്, ആ അനാവശ്യ പാടുകളെ ഘട്ടംഘട്ടമായി വൃത്തിയാക്കി നിങ്ങളുടെ വിവരണത്തിന് അനുയോജ്യമായ മനോഹരമായ ചിത്രം നിർമ്മിക്കുകയാണ് ഇത് ചെയ്യുന്നത്. ഇത് ചിത്രങ്ങൾ വെട്ടി ഒട്ടിക്കുകയല്ല, മറിച്ച് തുള്ളിത്തുള്ളിയായി രൂപപ്പെടുത്തുകയാണ്.

കമ്പ്യൂട്ടർ ഡിജിറ്റൽ മൂടൽമഞ്ഞിൽ നിന്ന് ജീവനുള്ള ചിത്രങ്ങൾ വിരിയിക്കുന്നത് എങ്ങനെ?

പഴയ ടെലിവിഷനിൽ സിഗ്നൽ പോകുമ്പോൾ സ്ക്രീനിൽ കറുപ്പും വെളുപ്പുമുള്ള പുള്ളികൾ ഇളകിമറിയുന്നത് നിങ്ങൾ കണ്ടിട്ടുണ്ടാകും. അതിൽ രൂപങ്ങളോ മുഖങ്ങളോ ഒന്നും കാണാൻ കഴിയില്ല, വെറുമൊരു അലങ്കോലമായ കാഴ്ച മാത്രമായിരിക്കും അത്. എന്നാൽ ഇന്നത്തെ കമ്പ്യൂട്ടർ സോഫ്റ്റ്‌വെയറുകൾക്ക് അത്തരം അവ്യക്തമായ പുള്ളികളിൽ നിന്ന് പോലും കണ്ണഞ്ചിപ്പിക്കുന്ന മനോഹരമായ പ്രകൃതിദൃശ്യങ്ങളോ ആളുകളുടെ ഛായാചിത്രങ്ങളോ സൃഷ്ടിക്കാൻ കഴിയും എന്നത് വിസ്മയകരമാണ്. ആ പഴയ കറുപ്പും വെളുപ്പുമുള്ള പുള്ളികളിൽ ഗണിതശാസ്ത്രപരമായ ക്രമീകരണങ്ങൾ വരുത്തുമ്പോൾ അത്ഭുതകരമായ വർണ്ണചിത്രങ്ങൾ ജനിക്കുന്നു.

ഡിഫ്യൂഷൻ എന്നാണ് ഈ സാങ്കേതികവിദ്യയുടെ പേര്. കമ്പ്യൂട്ടർ ചിത്രങ്ങൾ ഉണ്ടാക്കുമ്പോൾ ഒരൊറ്റ നിമിഷം കൊണ്ട് പെയിന്റ് അടിക്കുകയല്ല ചെയ്യുന്നത്. മറിച്ച് ലക്ഷക്കണക്കിന് ചിത്രങ്ങളിൽ അല്പം വീതം മങ്ങലുകൾ ചേർത്ത്, ആ മങ്ങലുകളെ എങ്ങനെ പടിപടിയായി തുടച്ചുമാറ്റാമെന്ന് അത് മുൻകൂട്ടി പഠിച്ചിട്ടുണ്ടാകും. നിങ്ങൾ ഒരു വിവരണം നൽകുമ്പോൾ, അനാവശ്യമായ ഡിജിറ്റൽ മങ്ങലുകൾ മാറ്റിമാറ്റി നിങ്ങളുടെ ഭാവനയിലെ ചിത്രം പതുക്കെ തെളിച്ചു കൊണ്ടുവരുന്നു. ഒറ്റയടിക്ക് ചിത്രം വരയ്ക്കാതെ, ആയിരക്കണക്കിന് ചെറിയ തിരുത്തലുകൾ ഘട്ടംഘട്ടമായി വരുത്തിയാണ് കമ്പ്യൂട്ടർ ഈ അത്ഭുതം സൃഷ്ടിക്കുന്നത്.

മൂടൽമഞ്ഞുള്ള പ്രഭാതത്തിലെ ശില്പിയും മാർബിൾ പാറയും തമ്മിലുള്ള സാദൃശ്യം

ഇത് മനസ്സിലാക്കാൻ കഠിനമായ മഞ്ഞുകാലത്തെ ഒരു പ്രഭാതം ഓർക്കുക. ഒരു മലമുകളിൽ ഒരു ശില്പിയും അദ്ദേഹത്തിന് മുന്നിൽ വലിയൊരു മാർബിൾ പാറയുമുണ്ട്. ആദ്യം ചുറ്റും വെളുത്ത മൂടൽമഞ്ഞ് മാത്രമാണ് കാണുന്നത്, പാറയുടെ മങ്ങിയ ഒരു നിഴലല്ലാതെ മറ്റൊരു രൂപവും അവിടെയില്ല. ശില്പിയുടെ ഓരോ ഉളിപ്രയോഗവും പാറയിലെ അനാവശ്യ പാളികളെ മാറ്റിമാറ്റി അതിനുള്ളിലെ സുന്ദരമായ പ്രതിമയെ പുറത്തെടുക്കുന്നു.

ശില്പി തന്റെ ഉളിയും ചുറ്റികയുമെടുത്ത് വളരെ പതുക്കെ പണി തുടങ്ങുന്നു. അയാൾ ഒറ്റയടിക്ക് പ്രതിമ ഉണ്ടാക്കുന്നില്ല. ആദ്യത്തെ ഘട്ടത്തിൽ പാറയുടെ പുറത്തുള്ള പരുക്കൻ ഭാഗങ്ങൾ മാത്രം കൊത്തി മാറ്റുന്നു. മഞ്ഞ് അല്പം മാറുമ്പോൾ പാറയിൽ ഒരു ചെറിയ രൂപം തെളിയുന്നു. അടുത്ത ഘട്ടത്തിൽ കണ്ണും മൂക്കും ആഭരണങ്ങളും അതീവ സൂക്ഷ്മതയോടെ കൊത്തുന്നു. ഒടുവിൽ സൂര്യന്റെ വെളിച്ചം വീഴുമ്പോൾ ശില്പി കല്ലിലെ പൊടിയെല്ലാം ഊതി വൃത്തിയാക്കുന്നു. അപ്പോൾ മനോഹരവും തിളക്കമുള്ളതുമായ ഒരു ശില്പം അവിടെ പ്രത്യക്ഷപ്പെടുന്നു. ശില്പി തന്റെ മനസ്സിലുള്ള ഭാവനയെ കല്ലിലേക്ക് പകർത്തുന്നത് പോലെ കമ്പ്യൂട്ടർ നിങ്ങളുടെ വാക്കുകളെ മനോഹരമായ ദൃശ്യമാക്കി മാറ്റുന്നു.

കമ്പ്യൂട്ടറിലെ ഡിഫ്യൂഷൻ മോഡൽ പ്രവർത്തിക്കുന്നത് ആ ശില്പിയെപ്പോലെയാണ്. സ്ക്രീനിലുള്ള മങ്ങിയ പുള്ളികളാണ് ആ മാർബിൾ പാറയും മൂടൽമഞ്ഞും. കമ്പ്യൂട്ടർ ഓരോ ഘട്ടത്തിലും അല്പം വീതം ഡിജിറ്റൽ പൊടിപടലങ്ങൾ തുടച്ചുമാറ്റി നിങ്ങളുടെ വിവരണത്തിന് അനുസരിച്ചുള്ള ചിത്രം വ്യക്തമാക്കുന്നു. ഏതാനും നിമിഷങ്ങൾക്കുള്ളിൽ മനോഹരമായ ഒരു ചിത്രം നിങ്ങളുടെ മുന്നിൽ ഒരുങ്ങുന്നു. ഓരോ സെക്കൻഡിലും നടക്കുന്ന ആയിരക്കണക്കിന് കണക്കുകൂട്ടലുകളുടെ ഫലമായാണ് ഒരു പൂർണ്ണ ചിത്രം സ്ക്രീനിൽ തെളിഞ്ഞു വരുന്നത്.

ഇന്ന് ഡിഫ്യൂഷൻ മോഡലുകൾ എവിടെയൊക്കെയാണ് വ്യാപകമായി ഉപയോഗിക്കുന്നത്?

ചിത്രങ്ങൾ വരയ്ക്കുന്ന ഈ നൂതന സാങ്കേതികവിദ്യ ഇന്ന് കലാരംഗത്തും രൂപകൽപ്പനയിലും വലിയ വിപ്ലവമാണ് സൃഷ്ടിച്ചിരിക്കുന്നത്: ഇന്ന് മൊബൈൽ ആപ്പുകൾ മുതൽ വലിയ സിനിമകൾ വരെ തങ്ങളുടെ സങ്കൽപ്പങ്ങൾ യാഥാർത്ഥ്യമാക്കാൻ ഈ ഡിഫ്യൂഷൻ സാങ്കേതികവിദ്യ ഉപയോഗിക്കുന്നുണ്ട്.

  • പുസ്തകങ്ങളുടെ കവർ ചിത്രങ്ങൾ: എഴുത്തുകാർക്കും പ്രസാധകർക്കും തങ്ങളുടെ പുതിയ പുസ്തകങ്ങളുടെ കഥാസംഗ്രഹം ടൈപ്പ് ചെയ്തു കൊടുത്ത് ആകർഷകമായ കവർ ചിത്രങ്ങൾ നിമിഷങ്ങൾക്കകം നിർമ്മിക്കാം.
  • വീടുകളുടെ ഇന്റീരിയർ ഡിസൈൻ: സ്വന്തം മുറിയുടെ അളവുകൾ നൽകി, തടി ഫർണിച്ചറുകളും ജനലുകളിലൂടെ വെളിച്ചവും വീഴുന്ന മുറിയുടെ ചിത്രം വരച്ചുണ്ടാക്കി മുൻകൂട്ടി കണ്ട് ബോധ്യപ്പെടാം.
  • സിനിമകളുടെ കൺസെപ്റ്റ് ആർട്ട്: വലിയ സിനിമാ സംവിധായകർ ഷൂട്ടിംഗ് തുടങ്ങുന്നതിന് മുമ്പ് തന്നെ രംഗങ്ങളുടെ വെളിച്ചവും പശ്ചാത്തലവും എങ്ങനെ വേണമെന്ന് ചിത്രങ്ങളിലൂടെ തയ്യാറാക്കി നോക്കുന്നു.
  • പഴയ ഫോട്ടോകളുടെ പുനരുദ്ധാരണം: കുടുംബത്തിലെ പഴയതും കീറിപ്പറിഞ്ഞതുമായ ഫോട്ടോകളിലെ കേടുപാടുകൾ മാറ്റി പുതിയതുപോലെ തെളിമയുള്ളതാക്കാൻ ഈ സാങ്കേതികവിദ്യ സഹായിക്കുന്നു.

ഈ സാങ്കേതികവിദ്യ ഉപയോഗിക്കുമ്പോൾ നാം ഓർക്കേണ്ട കാര്യങ്ങൾ

ചിത്രങ്ങൾ ഉണ്ടാക്കുന്നത് വളരെ എളുപ്പമാണെങ്കിലും, സർഗ്ഗാത്മകതയും നീതിശാസ്ത്രവും മുൻനിർത്തി ഈ കാര്യങ്ങൾ ശ്രദ്ധിക്കേണ്ടതുണ്ട്:

  • കൈവിരലുകളും അക്ഷരങ്ങളും പ്രത്യേകം ശ്രദ്ധിക്കുക: കമ്പ്യൂട്ടറുകൾക്ക് ഇന്നും മനുഷ്യരുടെ വിരലുകൾ കൃത്യമായി വരയ്ക്കാൻ പ്രയാസമാണ്; ആറ് വിരലുകളോ വികലമായ അക്ഷരങ്ങളോ വന്നേക്കാം, അത് പരിശോധിക്കുക.
  • യഥാർത്ഥ കലാകാരന്മാരുടെ അധ്വാനത്തെ മാനിക്കുക: കമ്പ്യൂട്ടർ ലക്ഷക്കണക്കിന് കലാകാരന്മാരുടെ സൃഷ്ടികൾ കണ്ടാണ് പഠിച്ചിട്ടുള്ളത്. അതിനാൽ മറ്റുള്ളവരുടെ ശൈലി പകർത്താതെ സ്വന്തം സർഗ്ഗാത്മകത നിലനിർത്തുക.
  • ആശയങ്ങൾ രൂപപ്പെടുത്താനുള്ള തുടക്കമായി മാത്രം ഉപയോഗിക്കുക: സാങ്കേതികവിദ്യയെ നിങ്ങളുടെ പുതിയ ചിന്തകൾക്ക് ജീവൻ നൽകാനുള്ള ഒരു തുടക്കമായി കണ്ട്, സ്വന്തം കൈയൊപ്പ് നൽകാൻ ശ്രമിക്കുക.

ശൂന്യതയിൽ നിന്ന് രൂപങ്ങൾ കൊത്തിയെടുക്കുന്ന ഈ വിദ്യ മനുഷ്യന്റെ ഭാവനയ്ക്ക് പുതിയ ചിറകുകൾ നൽകിയിരിക്കുന്നു. യന്ത്രങ്ങൾക്ക് പുള്ളികൾ മാറ്റി ചിത്രം തരാൻ കഴിഞ്ഞേക്കാം, എന്നാൽ ആ ചിത്രങ്ങൾക്ക് അർത്ഥവും ജീവനും നൽകുന്നത് എപ്പോഴും നമ്മുടെ സ്വന്തം ഭാവന തന്നെയാണ്.

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