ডিফিউশন মডেল: এলোমেলো ডিজিটাল নয়েজ থেকে এআই কীভাবে ছবি তৈরি করে?

এলোমেলো বিশৃঙ্খলা থেকে সুসংগত ছবির রূপায়ণ

পুরোনো অ্যান্টেনা টেলিভিশনে সিগন্যাল না থাকলে পর্দায় সাদা-কালো বিন্দুর যেমন ঝিরঝিরে কুয়াশা দেখা যেত, প্রযুক্তির পরিভাষায় তাকে ডিজিটাল নয়েজ বা অস্পষ্টতা (ডিজিটাল নয়েজ বা Digital Noise) বলে। এতে কোনো মানুষ বা গাছের অবয়ব থাকে না। কিন্তু আধুনিক কৃত্রিম বুদ্ধিমত্তা এই অর্থহীন বিন্দুর সমুদ্র থেকেই অপূর্ব প্রাকৃতিক দৃশ্য বা মানুষের নিখুঁত প্রতিকৃতি তৈরি করতে পারে। এই আশ্চর্য প্রযুক্তিকে বলা হয় ডিফিউশন মডেল (Diffusion Model)।

সাধারণ মানুষের কাছে এই পরিবর্তনকে কোনো জাদুকরি কৌশল কিংবা ইন্টারনেটে থাকা হাজার হাজার ছবির কোলাজ বলে মনে হতে পারে। অনেকে ধারণা করেন যে কম্পিউটার হয়তো গুগলে সার্চ করে তৈরি ছবি কেটে এনে জোড়াতালি দিচ্ছে। কিন্তু বাস্তব প্রযুক্তি সম্পূর্ণ ভিন্ন। কম্পিউটার কোনো তৈরি ছবি নকল করে না, বরং পদার্থবিজ্ঞানের অনুকরণে তৈরি এক গাণিতিক পদ্ধতি ব্যবহার করে যাকে ডিফিউশন মডেল বলা হয়।

নয়েজ যোগ ও ধাপে ধাপে নয়েজ বিয়োগের দ্বিমুখী বিজ্ঞান

প্রশিক্ষণের সময় কম্পিউটারকে লাখ লাখ ছবি দেখিয়ে সেগুলোতে ইচ্ছাকৃতভাবে ধাপে ধাপে ডিজিটাল ধুলো মেশানো হয় যতক্ষণ না ছবিটি পুরোপুরি ঢাকা পড়ে। এই ধুলো মেশানোর প্রক্রিয়াকে বলা হয় সম্মুখবর্তী ধাপ (ফরওয়ার্ড প্রসেস বা Forward Process)। এরপর এই পদ্ধতিকে উল্টোভাবে বিশ্লেষণ করে (রিভার্স ডিফিউশন বা Reverse Denoising), কোন ধাপে কোন দাগ সরালে আসল রূপ ফিরে আসবে তা কম্পিউটার গাণিতিক সূত্রের মাধ্যমে শিখে নেয়।

ছবি পরিষ্কার করার এই প্রক্রিয়ায় কম্পিউটার মডেল একবারে জাদুকরী উপায়ে পুরো ছবি বানায় না। সে প্রতি ধাপে অল্প অল্প করে নয়েজের কুয়াশা মুছে ফেলে (ডিনয়েজিং বা Denoising) এবং আপনার লিখিত বর্ণনার রঙের সাথে মিলিয়ে রূপ ফুটিয়ে তোলে।

ব্যবহারকারী যখন প্রম্পটে কোনো নির্দিষ্ট শিল্পরীতি যেমন জলরং, তেলচিত্র বা ক্যামেরার লেন্সের বিবরণ উল্লেখ করেন, টেক্সট এনকোডার সেই বর্ণনার গাণিতিক রূপকে নয়েজ অপসারণের প্রতিটি পদক্ষেপে যুক্ত রাখে। তবে কম্পিউটার কখনো কোনো চিত্রকে নিজস্ব কল্পনায় আঁকে না; এটি কেবল বিশাল ডেটাসেট থেকে অর্জিত প্যাটার্নের সম্ভাব্যতা অনুসারে পিক্সেলের সামঞ্জস্য তৈরি করে।

গুগলের গবেষণায় দেখা গেছে, আপনি যে বর্ণনাটি দেন তা ডিফিউশন প্রক্রিয়ার প্রতিটি ধাপে দিকনির্দেশক কম্পাস হিসেবে কাজ করে। আজকাল শক্তিশালী স্মার্টফোনে ইন্টারনেট সংযোগ ছাড়াই সরাসরি ডিভাইসের ভেতর (অন-ডিভাইস ডিফিউশন বা On-device Diffusion) ছবি তৈরি ও সম্পাদনা করা সম্ভব হচ্ছে।

কেবল শখের ছবি আঁকার বাইরে বিভিন্ন শিল্প ও পেশাগত কাজে এই মডেল ব্যাপকভাবে ব্যবহৃত হচ্ছে:

• বাণিজ্যিক বিজ্ঞাপন ও প্রচারপত্র ডিজাইন: নতুন কোনো পণ্যের আকর্ষণীয় পোস্টার, বিলবোর্ড বা সামাজিক যোগাযোগমাধ্যমের প্রচারমূলক গ্রাফিক্স দ্রুত প্রস্তুত করা যায়।
• চলচ্চিত্র ও গেমের ধারণাগত শিল্পকর্ম: সিনেমা পরিচালক বা গেম নির্মাতারা কাল্পনিক জগতের দৃশ্যপট, চরিত্রের পোশাক ও পরিবেশের প্রাথমিক দৃশ্য চোখের সামনে ফুটিয়ে তোলেন।
• পুরোনো ও নষ্ট ছবির সংস্কার সাধন: পরিবারের প্রবীণ সদস্যদের ঝাপসা বা ক্ষতিগ্রস্ত সাদাকালো ছবি থেকে নয়েজ দূর করে পরিষ্কার ও রঙিন রূপ দেওয়া সম্ভব হয়।
• ডিজিটাল পণ্যের কনসেপ্ট মডেলিং: আসবাবপত্র, অটোমোবাইল বা ফ্যাশন ডিজাইনাররা নতুন পণ্যের নান্দনিক রূপ কেমন হতে পারে তা খসড়া আকারে দেখতে পান।

কারিগরি সীমাবদ্ধতা ও বাস্তবসম্মত পর্যবেক্ষণ

ডিফিউশন মডেল অভূতপূর্ব ছবি তৈরি করতে পারলেও এটি নিখুঁত নয় এবং এর কিছু সুনির্দিষ্ট কারিগরি সীমাবদ্ধতা রয়েছে। ছবি তৈরির সময় বাস্তব জগতের জটিল নিয়মগুলো মডেলটি সবসময় বজায় রাখতে পারে না:

• অক্ষর ও লেখার ক্ষেত্রে বিভ্রান্তি: ছবির ভেতরে কোনো সাইনবোর্ড বা বইয়ের পাতায় স্পষ্ট হরফে নির্দিষ্ট শব্দ ফুটিয়ে তুলতে গিয়ে মডেলটি প্রায়ই দুর্বোধ্য বা বিকৃত বর্ণ তৈরি করে।
• শারীরবৃত্তীয় জটিল অঙ্গ ও প্রতিসাম্যের ত্রুটি: মানুষের হাতের পাঁচটি আঙুল, চোখের দৃষ্টির কোণ কিংবা জটিল জ্যামিতিক বস্তুর নিখুঁত বিন্যাস আঁকতে গিয়ে অনেক সময় অসঙ্গতি দেখা দেয়।
• উচ্চ কম্পিউটিং শক্তির ওপর নির্ভরতা: প্রতিটি ছবির জন্য বারবার নিউরাল নেটওয়ার্কের পুনরাবৃত্তিমূলক সমীকরণ সমাধান করতে হয়, যা সাধারণ ডিভাইসের পক্ষে বেশ সময়সাপেক্ষ।

তবে একটি সীমাবদ্ধতা মনে রাখা জরুরি। কম্পিউটার ছবির ভেতরের বস্তুর বাস্তব অর্থ বা মানুষের শারীরিক গঠনের জৈবিক নিয়ম বোঝে না। ফলে কখনো কখনো মানুষের হাত আঁকতে গেলে ছয়টি আঙুল হয়ে যাওয়া বা অক্ষরের জায়গায় বিকৃত চিহ্ন তৈরি হওয়ার মতো ভুল হতে পারে। এআই ছবি তৈরি করায় সাহায্য করলেও মানুষের চোখ দিয়ে খুঁটিয়ে যাচাই করা এখনও প্রয়োজনীয়।