💻 computer science

Prompt-SID: Learning Structural Representation Prompt via Latent Diffusion for Single-Image Denoising

Prompt-SID एक स्व-पर्यवेक्षित (self-supervised) एकल-छवि शोर निवारण (single-image denoising) ढांचा है जो विस्तृत संरचनात्मक जानकारी को संरक्षित करने के लिए एक लेटेंट डिफ्यूजन-आधारित संरचनात्मक प्रतिनिधित्व जनरेटर और एक स्केल रिप्ले प्रशिक्षण तंत्र का लाभ उठाता है, जो महंगे युग्मित डेटासेट (paired datasets) पर निर्भर नहीं करता है।

मूल लेखक: Huaqiu Li, Wang Zhang, Xiaowan Hu, Tao Jiang, Zikang Chen, Haoqian Wang

प्रकाशित 2026-03-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Huaqiu Li, Wang Zhang, Xiaowan Hu, Tao Jiang, Zikang Chen, Haoqian Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास शहर के क्षितिज (skyline) की एक सुंदर, उच्च-रिज़ॉल्यूशन वाली तस्वीर है, लेकिन किसी ने उस पर मुट्ठी भर ग्लिटर और रेत बिखेर दी है। आपका लक्ष्य फोटो को बिना इमारतों के तीखे किनारों या खिड़कियों के विवरण को खोए, साफ करना है। यह इमेज डिनोइजिंग (Image Denoising) की समस्या है।

लंबे समय तक, कंप्यूटरों ने "पहले और बाद" की तस्वीरों को देखकर इसे करना सीखा (सुपरवाइज्ड लर्निंग)। लेकिन उन सटीक "बाद वाली" तस्वीरों को पाना एक काल्पनिक जीव (यूनिकॉर्न) को खोजने जैसा है: दुर्लभ, महंगा और कठिन।

इसलिए, शोधकर्ताओं ने एक अलग तरीका आजमाया: सेल्फ-सुपरवाइज्ड लर्निंग (Self-Supervised Learning)। उन्होंने कंप्यूटर को केवल "गंदी" तस्वीर का उपयोग करके "साफ" तस्वीर का अनुमान लगाना सिखाया। हालाँकि, पुराने तरीकों में एक बड़ा दोष था: वे एक पहेली को आधे टुकड़े फेंककर हल करने जैसे थे। कंप्यूटर को गंदी तस्वीर को वापस कॉपी करने (जिसे "आइडेंटिटी मैपिंग" कहा जाता है) से रोकने के लिए, वे पिक्सेल को छिपा देते थे या छवि को छोटे, कम-रिज़ॉल्यूशन वाले टुकड़ों में काट देते थे। ऐसा करने में, वे "बड़ी तस्वीर" की संरचना खो देते थे, जिससे अंतिम परिणाम धुंधला या अधूरा रह जाता था।

यहाँ आता है प्रॉम्प्ट-एसआईडी (Prompt-SID), जो एक स्मार्ट आर्किटेक्ट (वास्तुकार) की तरह काम करता है जो कभी भी ब्लूप्रिंट (नक्शा) नहीं फेंकता।

यह कैसे काम करता है, इसे सरल उपमाओं में तोड़कर यहाँ समझाया गया है:

1. "टुकड़े बनाम ब्लूप्रिंट" की समस्या

कल्पना कीजिए कि आप एक फटे हुए मानचित्र को बहाल करने की कोशिश कर रहे हैं।

पुराने तरीके (द स्क्रैप कलेक्टर - टुकड़ों को इकट्ठा करने वाला): वे मानचित्र को छोटे वर्गों में काटते हैं, कुछ वर्गों को छिपा देते हैं, और आपसे पूछते हैं कि गायब क्या है, यह केवल बचे हुए टुकड़ों के आधार पर अनुमान लगाएं। आप शायद समुद्र का रंग अनुमान लगा लें, लेकिन आप संभवतः भूल जाएंगे कि पर्वत श्रृंखला कहाँ थी क्योंकि टुकड़ों ने पूरी आकृति नहीं दिखाई थी।
प्रॉम्प्ट-एसआईडी (द आर्किटेक्ट - वास्तुकार): यह अभी भी टुकड़ों (डाउनसैम्पल्ड इमेज) को देखता है ताकि शोर (noise) को समझ सके, लेकिन यह मूल मानचित्र के एक गुप्त ब्लूप्रिंट (संरचनात्मक प्रतिनिधित्व) को भी अपने पास रखता है। यह ब्लूप्रिंट सीधे कार्यकर्ता को नहीं दिखाता; इसके बजाय, यह ब्लूप्रिंट का "अहसास" (vibe) कार्यकर्ता के कान में फुसफुसाता है।

2. "फुसफुसाने वाला वास्तुकार" (RG-Diff)

कंप्यूटर इस "ब्लूप्रिंट" को गंदी तस्वीर को कॉपी किए बिना कैसे प्राप्त करता है?
शोधकर्ताओं ने एक विशेष उपकरण बनाया जिसे RG-Diff (स्ट्रक्चरल रिप्रेजेंटेशन जनरेशन डिफ्यूजन) कहा जाता है। इसे एक जादुई अनुवादक के रूप में सोचें।

यह गंदी तस्वीर को लेता है और उसे एक छोटे, अमूर्त "सारांश" (जैसे इमारत की रूपरेखा का एक स्केच) में संकुचित कर देता है।
फिर, यह इस स्केच को परिष्कृत करने के लिए एक डिफ्यूजन मॉडल (एक प्रकार का AI जो स्टैटिक शोर को स्पष्ट छवियों में बदलना सीखता है, जैसे कि एक मूर्तिकार पत्थर को तराश कर मूर्ति प्रकट करता है) का उपयोग करता है।
महत्वपूर्ण रूप से, यह स्केच को सुधारने के लिए "टुकड़ों" (लो-रेज़ शोर वाले हिस्सों) का उपयोग करता है, यह सुनिश्चित करते हुए कि स्केच शोर के पैटर्न से मेल खाता है लेकिन शोर को हटा देता है।
परिणाम एक साफ, उच्च-स्तरीय "प्रॉम्प्ट" (निर्देशों का एक सेट) है जो कहता है, "हे, इमारत का कोना यहाँ तीखा है, और छत वहाँ घुमावदार है," बिना वास्तव में पिक्सेल-दर-पिक्सेल गंदी तस्वीर दिखाए।

3. "प्रॉम्प्ट के साथ फोरमैन" (द डिनोइज़र)

अब, मुख्य सफाई दल (डिनोइज़र, जो एक ट्रांसफार्मर आर्किटेक्चर का उपयोग करता है) काम पर लगता है।

केवल गंदी तस्वीर को घूरने के बजाय, फोरमैन को प्रॉम्प्ट (साफ संरचनात्मक स्केच) प्राप्त होता है।
फोरमैन एक विशेष उपकरण का उपयोग करता है जिसे स्ट्रक्चरल अटेंशन (SAM) कहा जाता है। कल्पना कीजिए कि फोरमैन ने ऐसे चश्मे पहने हैं जो महत्वपूर्ण संरचनात्मक रेखाओं (किनारों, कोनों) को उजागर करते हैं और ग्लिटर (शोर) को अनदेखा करते हैं।
प्रॉम्प्ट फोरमैन को बताता है: "इन रेखाओं पर ध्यान केंद्रित करें; यहाँ के शोर को अनदेखा करें।" यह कंप्यूटर को उच्च सटीकता के साथ छवि को पुनर्गठित करने की अनुमति देता है, जिससे तीखे किनारे बरकरार रहते हैं।

4. "रिहर्सल" (स्केल रिप्ले)

एक आखिरी बाधा है: कंप्यूटर ने छोटे "टुकड़ों" (लो-रिज़ॉल्यूशन) पर अभ्यास किया है, लेकिन इसे पूरी आकार की फोटो को साफ करना है। आमतौर पर, इससे एक बेमेल स्थिति पैदा होती है (जैसे एक संगीतकार खिलौना पियानो पर अभ्यास करता है और फिर ग्रैंड कंसर्ट बजाने की कोशिश करता है)।

इसे ठीक करने के लिए, प्रॉम्प्ट-एसआईडी स्केल रिप्ले मैकेनिज्म का उपयोग करता है।

इसे एक रिहर्सल के रूप में सोचें। टुकड़ों (लो-रिज़ॉल्यूशन) को साफ करने के बाद, कंप्यूटर तुरंत पूरी आकार की छवि को साफ करने का प्रयास करता है (बिना अपनी मेमोरी अपडेट किए—कोई नया सीखना नहीं, केवल अभ्यास)।
यह जाँचता है: "क्या बड़ी छवि की मेरी सफाई, छोटी छवि की सफाई जैसी ही दिख रही है?"
यदि बड़ी छवि छोटी छवि की तुलना में धुंधली या गलत दिखती है, तो यह अपनी रणनीति को समायोजित करता है। यह सुनिश्चित करता है कि कंप्यूटर पूरी आकार की फोटो को साफ करने में उतना ही अच्छा है जितना कि वह टुकड़ों को साफ करने में है।

यह एक बड़ी बात क्यों है?

कोई भी हिस्सा गायब नहीं होता: पुराने तरीकों के विपरीत जो पिक्सेल को फेंक देते थे, प्रॉम्प्ट-एसआईडी संरचनात्मक प्रॉम्प्ट बनाने के लिए हर पिक्सेल से जानकारी का उपयोग करता है।
बेहतर विवरण: क्योंकि इसके पास "ब्लूप्रिंट" है, यह इमारतों या चेहरों के किनारों को धुंधला नहीं करता है।
हर जगह काम करता है: यह सिंथेटिक शोर (कंप्यूटर-जनरेटेड), वास्तविक दुनिया के कैमरा शोर, और यहाँ तक कि फ्लोरेसेंस माइक्रोस्कोपी (सूक्ष्म कोशिकाओं को देखना) जैसे जटिल वैज्ञानिक चित्रों पर भी काम करता है।

संक्षेप में:
पुराने तरीके एक गंदी खिड़की को ठीक करने के लिए उसके धुंधले, आधे ढके हुए संस्करण को देखने की कोशिश करते थे। प्रॉम्प्ट-एसआईडी गंदगी को समझने के लिए धुंधले संस्करण को देखता है, लेकिन साथ ही खिड़की के आकार का एक साफ मानसिक मानचित्र भी बनाता है ताकि सफाई का मार्गदर्शन किया जा सके। यह एक तस्वीर कैसी दिखती है इसका अनुमान लगाने और इसे कैसे बहाल किया जाए, इसके स्पष्ट निर्देशों के होने के बीच का अंतर है।

यहाँ शोध पत्र "Prompt-SID: Learning Structural Representation Prompt via Latent Diffusion for Single-Image Denoising" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

इमेज डिनोइजिंग (Image denoising) डाउनस्ट्रीम कंप्यूटर विज़न कार्यों (वर्गीकरण, डिटेक्शन, सेगमेंटेशन) के लिए अत्यंत महत्वपूर्ण है। जबकि सुपरवाइज्ड विधियाँ उच्च प्रदर्शन प्राप्त करती हैं, वे महंगे पेयर्ड डेटासेट (क्लीन/नॉइजी) पर निर्भर करती हैं और वास्तविक दुनिया की अनुकूलन क्षमता में संघर्ष करती हैं।
सेल्फ-सुपरवाइज्ड/अनसुपरवाइज्ड विधियों की वर्तमान सीमाएँ:

पिक्सेल सूचना की हानि (Pixel Information Loss): पारंपरिक विधियाँ जैसे ब्लाइंड-स्पॉट नेटवर्क (जैसे Noise2Void) या सब-इमेज सैंपलिंग (जैसे Noise2Noise वेरिएंट्स) महत्वपूर्ण पिक्सेल डेटा को त्याग देती हैं या प्रशिक्षण के दौरान केंद्रीय पिक्सेल को अदृश्य कर देती हैं।
संरचनात्मक क्षरण (Structural Degradation): डाउनसैंपलिंग प्रक्रिया अक्सर विस्तृत संरचनात्मक जानकारी को नष्ट कर देती है और सिमेंटिक क्षरण का कारण बनती है।
आइडेंटिटी मैपिंग (Identity Mapping): सरल मास्किंग रणनीतियाँ मॉडल को डिनोइज करने के बजाय इनपुट पिक्सेल को कॉपी करने के लिए प्रशिक्षित कर सकती हैं।

मुख्य चुनौती एक ऐसा सेल्फ-सुपरवाइज्ड फ्रेमवर्क विकसित करना है जो बिना किसी क्लीन ग्राउंड-ट्रुथ लेबल पर निर्भर रहे और सब-सैंपलिंग से होने वाली सूचना की हानि से बचे, तथा संरचनात्मक विवरणों (structural details) और सिमेंटिक जानकारी को संरक्षित करे।

2. कार्यप्रणाली: Prompt-SID

लेखक Prompt-SID का प्रस्ताव करते हैं, जो एक सेल्फ-सुपरवाइज्ड सिंगल-इमेज डिनोइजिंग फ्रेमवर्क है जो प्रॉम्प्ट लर्निंग (Prompt Learning) और लेटेंट डिफ्यूजन मॉडल्स (Latent Diffusion Models) का लाभ उठाता है। इस आर्किटेक्चर के तीन मुख्य घटक हैं:

A. स्पेशियल रिडंडेंसी सैंपलिंग रणनीति (Spatial Redundancy Sampling Strategy)

ब्लाइंड-स्पॉट या पिक्सेल को त्यागने के बजाय, यह विधि एक सिंगल नॉइजी इमेज ( $x$ ) से ट्रेनिंग पेयर्स बनाने के लिए स्पेशियल रिडंडेंसी सैंपलिंग रणनीति का उपयोग करती है:

इमेज को $2 \times 2$ ब्लॉक्स में विभाजित किया जाता है।
प्रत्येक ब्लॉक से, तीन आसन्न पिक्सेल को यादृच्छिक रूप से (randomly) तीन सब-इमेज ( $m_1, m_2, m_3$ ) बनाने के लिए सैंपल किया जाता है, जिनमें से प्रत्येक मूल रिज़ॉल्यूशन का $1/4$ होता है।
$m_1$ इनपुट के रूप में कार्य करता है, जबकि $m_2$ और $m_3$ पुनर्निर्माण (reconstruction) के लक्ष्यों के रूप में कार्य करते हैं, जिससे यह सुनिश्चित होता है कि आइडेंटिटी मैपिंग के बिना सभी पिक्सेल प्रशिक्षण प्रक्रिया में योगदान दें।

B. स्ट्रक्चरल रिप्रेजेंटेशन जनरेशन डिफ्यूजन (RG-Diff)

यह "प्रॉम्प्ट्स" उत्पन्न करने के लिए मुख्य नवाचार है।

एन्कोडर (PSE): एक पिक्सेल स्ट्रक्चर एन्कोडर डाउनसैंपल्ड इनपुट ( $m_1$ ) और मूल स्केल की इमेज ( $x$ ) दोनों को लेटेंट स्ट्रक्चरल रिप्रेजेंटेशन ( $c_{sub}$ और $c_{org}$ ) में संकुचित करता है।
डिफ्यूजन प्रक्रिया: एक लेटेंट डिफ्यूजन मॉडल 1D वेक्टर स्पेस में संचालित होता है।
- फॉरवर्ड प्रोसेस: मूल स्ट्रक्चरल रिप्रेजेंटेशन $c_{org}(0)$ में शोर (noise) जोड़ा जाता है।
- रिवर्स प्रोसेस: मॉडल $c_{sub}$ (डाउनसैंपल्ड इमेज से) को एक कंडीशनल प्रॉम्प्ट के रूप में उपयोग करके $c_{org}(0)$ को पुनः प्राप्त करने का प्रयास करता है।
उद्देश्य: डिफ्यूजन मॉडल डाउनसैंपल्ड इमेज के डिग्रेडेड स्ट्रक्चरल रिप्रेजेंटेशन को हाई-फिडेलिटी स्ट्रक्चरल रिप्रेजेंटेशन में मैप करना सीखता है। यह स्केल के अंतर को पाटता है और खोए हुए स्ट्रक्चरल विवरणों को पुनः प्राप्त करता है।

C. स्ट्रक्चरल अटेंशन मॉड्यूल (SAM) और SPIformer

SPIformer: मुख्य डिनोइजिंग बैकबोन एक विजन ट्रांसफॉर्मर (ViT) वेरिएंट है।
SAM (स्ट्रक्चरल अटेंशन मॉड्यूल): ट्रांसफॉर्मर ब्लॉक्स में एकीकृत, SAM, RG-Diff से प्राप्त रिकवर्ड स्ट्रक्चरल प्रॉम्प्ट ( $\hat{c}_{org}(0)$ $\overset{c}{^}_{or g} (0)$ ) को लेता है। यह फीचर मैप्स के साथ इस प्रॉम्प्ट को फ्यूज करने के लिए चैनल अटेंशन मैकेनिज्म का उपयोग करता है।
- प्रॉम्प्ट ट्रांसफॉर्मर को उन चैनल्स पर जोर देने के लिए निर्देशित करता है जिनमें समृद्ध स्ट्रक्चरल विवरण और सिमेंटिक जानकारी होती है, जबकि नॉइजी चैनल्स को दबा देता है।

D. स्केल रीप्ले मैकेनिज्म (Scale Replay Mechanism)

यह सुनिश्चित करने के लिए कि मॉडल डाउनसैंपल्ड ट्रेनिंग डेटा से ओरिजिनल-स्केल इन्फरेंस (inference) के लिए सामान्यीकरण (generalize) कर सके:

ट्रेनिंग लूप: डाउनसैंपल्ड इमेजेस को प्रोसेस करने के बाद, मॉडल मूल-स्केल की नॉइजी इमेज ( $x$ ) पर एक अतिरिक्त इन्फरेंस पास करता है।
लॉस कंस्ट्रेंट: डिनोइज की गई ओरिजिनल-स्केल इमेज को डाउनसैंपल किया जाता है और डाउनसैंपल्ड टारगेट्स के साथ तुलना की जाती है। यह मॉडल को हाई-रिज़ॉल्यूशन विवरणों को अनदेखा करने से रोकता है और ट्रेनिंग (लो-रेज़) और इन्फरेंस (हाई-रेज़) के बीच के डोमेन गैप को कम करता है।

लॉस फंक्शन (Loss Function):
कुल लॉस तीन टर्म्स का संयोजन है:

रिकंस्ट्रक्शन लॉस ( $L_{rec}$ ): डिनोइज्ड सब-इमेज और टारगेट्स के बीच L2 लॉस।
स्केल रीप्ले लॉस ( $L_{sc}$ ): ओरिजिनल-स्केल और डाउनसैंपल्ड रिकंस्ट्रक्शन के बीच निरंतरता सुनिश्चित करता है।
डिफ्यूजन लॉस ( $L_{diff}$ ): यह सुनिश्चित करने के लिए L1 लॉस कि जनरेट किया गया स्ट्रक्चरल प्रॉम्प्ट ग्राउंड ट्रुथ स्ट्रक्चरल रिप्रेजेंटेशन से मेल खाता है।

3. मुख्य योगदान (Key Contributions)

प्रॉम्प्ट-आधारित सेल्फ-सुपरवाइज्ड डिनोइजिंग: एक नवीन पाइपलाइन जो सूचना की हानि से बचते हुए, डाउनसैंपल्ड इनपुट के पुनर्स्थापन के लिए ओरिजिनल इमेजेस से स्ट्रक्चरल रिप्रेजेंटेशन निकालती है।
RG-Diff (स्ट्रक्चरल रिप्रेजेंटेशन जनरेशन डिफ्यूजन): स्ट्रक्चरल प्रॉम्प्ट जेनरेट करने के लिए सेल्फ-सुपरवाइज्ड डिनोइजिंग में डिफ्यूजन मॉडल्स का पहला अनुप्रयोग। यह लेटेंट स्पेस में सिमेंटिक रिप्रेजेंटेशन को रिफाइन करने के लिए डिफ्यूजन की जेनेरेटिव शक्ति का लाभ उठाता है।
स्केल रीप्ले मैकेनिज्म: एक ट्रेनिंग रणनीति जो डाउनसैंपल्ड ट्रेनिंग डोमेन और ओरिजिनल-रिज़ॉल्यूशन इन्फरेंस के बीच के अंतर को प्रभावी ढंग से पाटती है, जिससे पिक्सेल आइडेंटिटी मैपिंग को रोका जासाता है।
स्ट्रक्चरल अटेंशन मॉड्यूल (SAM): एक ट्रांसफॉर्मर आर्किटेक्चर के भीतर का तंत्र जो स्ट्रक्चरल डिटेल्स और फीचर फ्यूजन को बढ़ाने के लिए स्ट्रक्चरल प्रॉम्प्ट को डिकोड करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन सिंथेटिक, रियल-वर्ल्ड और फ्लोरेसेंस इमेजिंग डेटासेट्स पर किया गया।

सिंथेटिक डेटासेट्स (Gaussian & Poisson Noise):
- Kodak, BSD300, और Set14 पर SOTA सेल्फ-सुपरवाइज्ड विधियों (N2V, NBR2NBR, B2U, ZS-N2N) को पछाड़ दिया।
- NBR2NBR पर 0.21–0.34 dB का निरंतर सुधार हासिल किया।
- विशिष्ट नॉइज़ सेटिंग्स में कुछ सुपरवाइज्ड बेसलाइन्स (जैसे U-Net) से भी बेहतर प्रदर्शन किया।
रियल-वर्ल्ड डिनोइजिंग (SIDD डेटासेट):
- SIDD वैलिडेशन सेट पर 51.55 dB PSNR प्राप्त किया, जो पिछले SOTA (B2U) से 0.19 dB और NBR2NBR से 0.49 dB बेहतर है।
- विजुअल परिणाम प्रतिस्पर्धियों की तुलना में किनारों (edges) के बेहतर संरक्षण और कम कलर इम्बैलेंस को दर्शाते हैं।
फ्लोरेसेंस इमेजिंग:
- 3D न्यूरोनल पॉपुलेशन डेटा पर मजबूत सामान्यीकरण प्रदर्शित किया।
- विशिष्ट स्कैनिंग स्पीड (1Hz और 30Hz) पर सुपरवाइज्ड बेसलाइन्स से बेहतर प्रदर्शन किया, जिससे उच्च SNR प्राप्त हुआ।
दक्षता (Efficiency): मॉडल बड़े ट्रांसफॉर्मर-आधारित डिनोइज़र की तुलना में अपेक्षाकृत कम पैरामीटर काउंट (लगभग 6M पैरामीटर्स) बनाए रखता है।

5. महत्व (Significance)

पैराडाइम शिफ्ट (Paradigm Shift): यह "ब्लाइंड-स्पॉट" या "मास्किंग" रणनीतियों से हटकर, जो स्वाभाविक रूप से सूचना को नष्ट करती हैं, "प्रॉम्प्ट-लर्निंग" दृष्टिकोण की ओर बढ़ता है, जो लापता स्ट्रक्चरल कॉन्टेक्स्ट को पुनर्गठित करता है।
लो-लेवल विज़न के लिए डिफ्यूजन: सफलतापूर्वक लेटेंट डिफ्यूजन मॉडल्स को इमेज जनरेशन के लिए नहीं, बल्कि स्ट्रक्चरल रिप्रेजेंटेशन रिफाइनमेंट के लिए अनुकूलित किया, जो डिटर्मिनिस्टिक रेस्टोरेशन कार्यों में उनकी उपयोगिता को सिद्ध करता है।
व्यावहारिक प्रयोज्यता: स्केल रीप्ले के माध्यम से स्केल गैप की समस्या को हल करके, यह विधि हाई-रिज़ॉल्यूशन क्लीन डेटा की अनुपलब्धता वाले वास्तविक दुनिया के अनुप्रयोगों के लिए मजबूत है, जो इसे मेडिकल इमेजिंग (फ्लोरेसेंस) और फोटोग्राफी के लिए अत्यधिक उपयुक्त बनाती है।
एब्लेशन अंतर्दृष्टि (Ablation Insights): प्रयोगों ने पुष्टि की कि डिफ्यूजन प्रॉम्प्ट या स्केल रीप्ले मैकेनिज्म को हटाने से सिमेंटिक विवरणों में महत्वपूर्ण गिरावट और ब्लरिंग आती है, जो दोनों घटकों की आवश्यकता को प्रमाणित करती है।