Diffusion بمقابلہ GAN: ڈیٹیکٹر ان کے ساتھ مختلف سلوک کیوں کرتے ہیں

GAN تصویر کیسے بناتا ہے

ایک جنریٹو ایڈورسریل نیٹ ورک ایک چھوٹے ویکٹر سے شروع ہوتا ہے اور اسے بار بار اپسیمپل کرتا ہے، ہر پرت پر ریزولیوشن کو دوگنا کرتا ہے یہاں تک کہ یہ مکمل سائز تک پہنچ جائے۔ ایک دوسرا نیٹ ورک نتیجے کو پرکھتا ہے، اور دونوں ایک دوسرے کے خلاف تربیت حاصل کرتے ہیں۔

بار بار اپسیمپلنگ اہم حصہ ہے۔ ہر دوگنا کرنے والا مرحلہ ایک باقاعدہ پیٹرن متعارف کراتا ہے، اور وہ پیٹرن متواتر ڈھانچے میں جمع ہو جاتے ہیں جو اس وقت دکھائی دیتا ہے جب تصویر کو فریکوئنسی ڈومین میں تبدیل کیا جاتا ہے۔

وہ ڈھانچہ دستخط کے قریب تھا۔ ابتدائی ڈٹیکٹر فریکوئنسی اسپیکٹرم میں چیکر بورڈ پیٹرن تلاش کر سکتے تھے اور تصویر کے بارے میں کچھ سمجھے بغیر اعلیٰ درستگی تک پہنچ سکتے تھے۔ یہ کسی خاص ماڈل کے بجائے آرکیٹیکچر کا فنگر پرنٹ تھا۔

ایک diffusion ماڈل اسے کیسے بناتا ہے

Diffusion الٹا کام کرتا ہے۔ یہ مکمل ٹارگٹ ریزولیوشن پر خالص شور کے میدان سے شروع ہوتا ہے اور ہر مرحلے پر اس میں سے کچھ حصہ ہٹا دیتا ہے، ماڈل کی سیکھی ہوئی باتوں کی رہنمائی میں، یہاں تک کہ ایک تصویر ابھر کر سامنے آ جاتی ہے۔

اس میں کوئی اپ سیمپلنگ لیڈر نہیں ہے، اس لیے اس میں کوئی پیریڈک آرٹیفیکٹ نہیں ہے۔ آؤٹ پٹ شماریاتی طور پر کیمرے کی کیپچر سے مختلف ہے، اور یہ فرق ساختی کے بجائے پھیلا ہوا ہے۔ اس میں ایسی کوئی چیز نہیں جو ایک صاف نمونے کے طور پر سامنے آئے جسے آپ تلاش کر سکیں۔

پرانے ڈیٹیکٹرز نے کام کرنا کیوں چھوڑ دیا

ایک ٹول جو فریکوئنسی ڈومین چیکر بورڈنگ تلاش کرنے کے لیے بنایا گیا ہے، وہ ڈیفیوژن امیج میں کچھ نہیں ڈھونڈ پاتا۔ یہ غیر یقینی صورتحال کی اطلاع نہیں دیتا؛ یہ بتاتا ہے کہ آرٹیفیکٹ موجود نہیں ہے، جسے ایک صاف نتیجے کے طور پر پڑھا جاتا ہے۔

یہی وجہ ہے کہ 2021 اور 2023 کے درمیان فیلڈ میں ڈیٹیکشن کی درستگی ختم ہوتی دکھائی دی۔ ٹولز خراب نہیں ہوئے تھے۔ وہ چیز جسے وہ تلاش کر رہے تھے، اس کی پیداوار رک گئی تھی۔

آرکیٹیکچر کے لحاظ سے مخصوص ڈیٹیکشن کی جگہ کس نے لی

وسعت۔ ایک آرٹیفیکٹ تلاش کرنے کے بجائے، موجودہ ڈیٹیکٹرز کو زیادہ سے زیادہ مختلف جنریٹرز کے آؤٹ پٹ پر ٹرین کیا جاتا ہے، تاکہ ماڈل یہ سیکھ سکے کہ مصنوعی ٹیکسچر میں کیا مشترک ہے نہ کہ یہ کہ ایک فیملی کیا بناتی ہے۔

یہاں استعمال ہونے والا ماڈل بالکل اسی وجہ سے ہزاروں جنریٹرز کی لاکھوں تصاویر پر ٹرین کیا گیا تھا۔ تمام آرکیٹیکچرز کا احاطہ کرنا ہی اگلی چیز تک جنرلائزیشن کی ضمانت دیتا ہے، اور یہ واحد طریقہ کار ہے جو غالب طریقے کی تبدیلی کے بعد بھی زندہ رہا ہے۔

اس کا نقصان یہ ہے کہ کسی ایک معلوم جنریٹر پر درستگی اس سے کم ہوتی ہے جو ایک ماہر ڈیٹیکٹر حاصل کر سکتا ہے۔ یہ ایک درست سودا ہے، کیونکہ جب کوئی نئی چیز آتی ہے تو ماہر بیکار ہو جاتا ہے۔

یہ کیا پیش گوئی کرتا ہے

GAN سے ڈیفیوژن کے عمل کی تبدیلی سے ملنے والا سبق ڈیفیوژن کے بارے میں نہیں ہے۔ یہ یہ ہے کہ کوئی بھی ڈیٹیکٹر جو اس بات سے جڑا ہو کہ تصاویر فی الحال کیسے بنتی ہیں، اس کی زندگی محدود ہے، اور تبدیلی کا اعلان پہلے سے نہیں کیا جائے گا۔

کیا اس میں سے کچھ صارف کے لیے اہم ہے

زیادہ تر یہ ان دو چیزوں کی وضاحت کرتا ہے جن پر آپ غور کریں گے۔ پہلا، ایک ڈیٹیکٹر عام طور پر یہ نام کیوں نہیں بتا سکتا کہ کس ٹول نے تصویر تیار کی ہے: یہ ماڈل کے بجائے ایک مشترکہ شماریاتی خصوصیت کو پڑھ رہا ہے۔

دوسرا، پرانے مفت چیکرز خراب کارکردگی کیوں دکھاتے ہیں۔ آن لائن موجود کئی ٹولز GAN آرٹیفیکٹس کے گرد بنائے گئے تھے اور انہیں دوبارہ ٹرین نہیں کیا گیا ہے۔ وہ موجودہ آؤٹ پٹ پر پراعتماد صاف نتائج دیتے ہیں، اور انٹرفیس میں کچھ بھی اس کی وجہ نہیں بتاتا۔

ایک ہائبرڈ پائپ لائن نتیجے کے ساتھ کیا کرتی ہے

آپ تک پہنچنے والی زیادہ تر تصاویر ایک طریقے سے تیار نہیں کی گئی تھیں۔ ایک ڈیفیوژن ماڈل بیس بناتا ہے، ایک GAN پر مبنی اپ اسکیلر اسے بڑا کرتا ہے، چہرے کی بحالی کا ایک مرحلہ آنکھوں کو ٹھیک کرتا ہے، اور ایک ایڈیٹر رزلٹ کو کراپ اور دوبارہ محفوظ کرتا ہے۔

ہر مرحلہ ٹیکسچر کو دوبارہ لکھتا ہے، اس لیے فائل میں کئی عملوں کے نشانات ایک دوسرے پر تہہ ہوتے ہیں۔ تصویر کو چھونے والا آخری عمل عام طور پر ڈیٹیکٹر کے پڑھے جانے والے نتائج پر غالب رہتا ہے، یہی وجہ ہے کہ ایک اپ اسکیل شدہ ڈیفیوژن امیج شماریاتی طور پر جنریٹر کے مقابلے میں اپ اسکیلر کی طرح زیادہ دکھائی دے سکتی ہے۔

یہ وہ عملی وجہ ہے کہ آرکیٹیکچر کی شناخت لیبارٹری کے باہر کام کیوں نہیں کرتی ہے۔ صاف سنگل ماڈل آؤٹ پٹ کے ساتھ کنٹرول شدہ ٹیسٹ میں یہ ایک حل طلب مسئلہ ہے۔ ایک ایسی تصویر پر جو ایک حقیقی پروڈکشن پائپ لائن سے گزری ہو، سوال صحیح طرح سے نہیں پوچھا گیا۔

یہ ایک ایسا نتیجہ بھی بیان کرتا ہے جو لوگوں کو الجھا دیتا ہے: ایک حقیقی جنریٹڈ تصویر جو بھاری اپ اسکیل شدہ تصویر سے کم اسکور کرتی ہے۔ دونوں کے ٹیکسچر کو سافٹ ویئر نے دوبارہ لکھا ہے، اور ڈیٹیکٹر اصلیت کے بجائے دوبارہ لکھنے کے عمل کو پڑھ رہا ہے۔