⚡ electrical engineering

Reconstruct Anything Model: a lightweight general model for computational imaging

यह शोधपत्र रीकंस्ट्रक्ट एनीथिंग मॉडल (RAM) को प्रस्तुत करता है, जो एक हल्का, गैर-पुनरावृत्ति सामान्य आर्किटेक्चर है जो विविध इमेजिंग इनवर्स समस्याओं में अत्याधुनिक प्रदर्शन प्राप्त करने के लिए फॉरवर्ड ऑपरेटर ज्ञान को शामिल करता है और ग्राउंड-ट्रुथ डेटा के बिना स्व-पर्यवेक्षित फाइन-ट्यूनिंग के माध्यम से नए कार्यों के लिए तेजी से अनुकूलित किया जा सकता है।

मूल लेखक: Matthieu Terris, Samuel Hurault, Maxime Song, Julian Tachella

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Matthieu Terris, Samuel Hurault, Maxime Song, Julian Tachella

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 आप एक विशाल जिग्सॉ पज़ल (jigsaw puzzle) को हल करने की कोशिश कर रहे हैं, लेकिन किसी ने आधे टुकड़े फेंक दिए हैं, तस्वीर पर ग्रीस के धब्बे लगा दिए हैं, या कमरे की रोशनी ही बदल दी है। विज्ञान और चिकित्सा की दुनिया में, इसे एक इनवर्स प्रॉब्लम (inverse problem) कहा जाता है। वैज्ञानिकों के पास एक धुंधली, शोर वाली या अधूरी फोटो (मापन/measurement) होती है और उन्हें यह पता लगाना होता है कि मूल, पूर्ण चित्र कैसा दिखता था।

वर्षों तक, इन पहेलियों को हल करना एक सिरदर्द रहा है। यहाँ एक नए नायक की कहानी है, रिकंस्ट्रक्ट एनीथिंग मॉडल (RAM), और यह कैसे खेल बदल देता है।

पुराना तरीका: दो त्रुटिपूर्ण रणनीतियाँ

RAM से पहले, वैज्ञानिक आमतौर पर इन टूटी हुई छवियों को ठीक करने के लिए दो तरीकों का उपयोग करते थे:

"धीमी और स्थिर" विधि (इटरेटिव एल्गोरिदम - Iterative Algorithms):
कल्पना कीजिए कि आप एक धुंधली फोटो को ठीक करने के लिए उसे देखते हुए आँखें सिकोड़ते हैं, अंदाज़ा लगाते हैं, फिर से आँखें सिकोड़ते हैं, और अपने अंदाज़ को बार-बार सुधारते हैं। पुराने तरीके यही करते हैं। वे हजारों बार एक जटिल गणना चक्र (calculation loop) चलाते हैं।

समस्या: इसमें बहुत समय लगता है। यह घास के ढेर में सुई खोजने जैसा है जहाँ आप एक-एक करके घास के हर तिनके की जाँच करते हैं। यह कम्प्यूटेशनल रूप से महंगा है और अक्सर फिर भी तस्वीर को थोड़ा धुंधला ही छोड़ देता है।

"विशेषज्ञ" विधि (अनरोल्ड आर्किटेक्चर - Unrolled Architectures):
कल्पना कीजिए कि आपने एक मास्टर शेफ को काम पर रखा है जो पिज्जा बनाने में माहिर है। यदि आप पिज्जा चाहते हैं, तो वह सबसे अच्छा है। लेकिन यदि आप उनसे सुशी बनाने के लिए कहते हैं, तो उन्हें फिर से पाक कला स्कूल जाना होगा, नियमों का एक पूरा नया सेट सीखना होगा, और शून्य से शुरुआत करनी होगी।

समस्या: ये मॉडल एक विशिष्ट कार्य (जैसे एमआरआई स्कैन या सीटी स्कैन) के लिए प्रशिक्षित होते हैं। यदि आप उन्हें किसी अन्य प्रकार के स्कैन या किसी अन्य प्रकार के शोर (noise) के लिए उपयोग करना चाहते हैं, तो आपको पूरी चीज़ को फिर से प्रशिक्षित करना होगा। यह महंगा और लचीलेपन की कमी वाला है।

RAM का आगमन: "यूनिवर्सल ट्रांसलेटर"

इस शोध पत्र के लेखकों ने RAM बनाया है, जो एक हल्का, "सामान्य-उद्देश्य" (general-purpose) मॉडल है जो छवियों के लिए एक स्विस आर्मी नाइफ की तरह काम करता है।

एमआरआई स्कैन को ठीक करने के विशेषज्ञ होने या घंटों तक अंदाज़ा लगाने वाले धीमे कैलकुलेटर होने के बजाय, RAM एक स्मार्ट, तेज़ और अनुकूलन योग्य जासूस है।

यह कैसे काम करता है? (जादुई तरकीबें)

RAM इन पहेलियों को तुरंत हल करने के लिए तीन चतुर तरकीबों का उपयोग करता है:

1. "फिजिक्स ट्रांसलेटर" (क्रायलोव सबस्पेस मॉड्यूल - Krylov Subspace Module)
अधिकांश AI मॉडल केवल तस्वीर को देखते हैं और अंदाज़ा लगाते हैं। हालाँकि, RAM को खेल के नियम पता हैं।

उपमा: कल्पना कीजिए कि आप एक शोर वाले कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं। एक सामान्य व्यक्ति बस ज़ोर से सुनने की कोशिश करता है। RAM, हालांकि, जानता है कि आवाज़ दीवारों से कैसे टकराती है (भौतिकी/physics)। यह इस ज्ञान का उपयोग गणितीय रूप से शोर और विकृति को "घटाने" के लिए करता है, इससे पहले कि वह अंदाज़ा लगाना शुरू भी करे। यह केवल अंदाज़ा नहीं लगाता; यह गणना करता है कि सिग्नल ने सबसे संभावित पथ (path) कौन सा लिया था।

2. "मल्टी-टास्क लर्नर"
RAM को विभिन्न समस्याओं के एक विशाल बुफे पर प्रशिक्षित किया गया था: धुंधलापन (blurring), एमआरआई स्कैन, सीटी स्कैन, तस्वीरों से शोर हटाना, और यहाँ तक कि उपग्रह चित्रों को ठीक करना भी।

उपमा: हर काम के लिए एक विशेषज्ञ को काम पर रखने के बजाय, RAM एक ऐसे जग्लर (juggler) की तरह है जिसने एक साथ गेंदें, चाकू और आग के साथ करतब दिखाना सीख लिया है। क्योंकि इसने छवियों के टूटने के अंतर्नि층 पैटर्न को सीखा है, यह उस ज्ञान को किसी भी प्रकार की टूटी हुई छवि पर लागू कर सकता है, चाहे वह मेडिकल स्कैन हो या बिल्ली की फोटो।

3. "स्व-शिक्षण" की महाशक्ति (जीरो-शॉट और सेल्फ-सुपरवाइज्ड - Zero-Shot & Self-Supervised)
यह सबसे शानदार हिस्सा है। आमतौर पर, AI को किसी नए प्रकार की छवि को ठीक करने के लिए सिखाने के लिए, आपको हजारों "पहले और बाद के" उदाहरणों (ग्राउंड ट्रुथ) की आवश्यकता होती है। लेकिन चिकित्सा या खगोल विज्ञान में, आपके पास अक्सर "बाद की" तस्वीर नहीं होती क्योंकि वह छवि प्राप्त करना बहुत कठिन होता है।

उपमा: कल्पना कीजिए कि आप एक ऐसे जासूस हैं जिसने कभी किसी विशिष्ट प्रकार का अपराध नहीं देखा है। किसी पाठ्यपुस्तक की आवश्यकता होने के बजाय, आप अपराध स्थल (शोर वाली डेटा) को देखते हैं और अपराध कैसे होता है इसके बारे में अपने सामान्य ज्ञान का उपयोग करके उसे सुलझाते हैं।
RAM एक एकल शोर वाली छवि को देख सकता है, यह समझ सकता है कि "अरे, यह एक अजीब शोर वाले सीटी स्कैन जैसा दिख रहा है," और बिना किसी "सही" उत्तर की तुलना किए, कुछ ही मिनटों में खुद को ठीक करना सीख सकता है।

यह एक बड़ी बात क्यों है?

गति: यह घोड़े से चलने वाली बग्घी से स्पोर्ट्स कार में स्विच करने जैसा है। RAM एक ही चरण में समस्याओं को हल करता है, जबकि पुराने तरीकों में 8 या अधिक चरण लगते थे। यह अगली सर्वश्रेष्ठ विधि से 3.7 गुना तेज़ है और सबसे उन्नत डिफ्यूजन मॉडल्स से 120 गुना तेज़ है।
बहुमुखी प्रतिभा: यह ग्रेस्केल मेडिकल स्कैन, रंगीन फोटो और जटिल डेटा (जैसे एमआरआई सिग्नल) को एक ही मस्तिष्क के साथ संभालता है।
पहुंच: क्योंकि यह "हल्का" (lightweight) है, इसे चलाने के लिए सुपरकंप्यूटर की आवश्यकता नहीं है। एक मानक लैपटॉप या एक सिंगल ग्राफिक्स कार्ड इसे संभाल सकता है।

निष्कर्ष

रिकंस्ट्रक्ट एनीथिंग मॉडल (RAM) एक नए प्रकार का AI है जो केवल एक विशिष्ट प्रकार की छवि को ठीक करने को याद नहीं करता है। इसके बजाय, यह इस बात की भौतिकी (physics) सीखता है कि छवियां कैसे टूटती हैं और उन्हें ठीक करने की गणित (math) सीखता है।

यह एक ऐसी चाबी रखने के बीच का अंतर है जो केवल एक दरवाजा खोल सकती है बनाम एक मास्टर की (master key) जो किसी भी दरवाजे को तुरंत खोल सकती है, भले ही आपने पहले कभी वह विशिष्ट दरवाजा न देखा हो। इसका मतलब है कि डॉक्टर तेज़ी से स्पष्ट एमआरआई स्कैन प्राप्त कर सकते हैं, खगोलशास्त्री अंतरिक्ष में और गहराई से देख सकते हैं, और वैज्ञानिक उस डेटा को रिकवर कर सकते हैं जिसे पहले बहुत अधिक शोर वाला मानकर उपयोग के अयोग्य माना जाता था।

यहाँ शोध पत्र "Reconstruct Anything Model (RAM): A Lightweight General Model for Computational Imaging" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कंप्यूटेशनल इमेजिंग में $y \sim p(y|Ax)$ के रूप में इनवर्स प्रॉब्लम्स (inverse problems) को हल करना शामिल है, जहाँ $x$ अज्ञात छवि (image) है, $y$ मापन (measurement) है, और $A$ फॉरवर्ड ऑपरेटर है जो अधिग्रहण भौतिकी (acquisition physics) का वर्णन करता है (जैसे कि ब्लर, MRI सैंपलिंग, CT प्रोजेक्शन)। मौजूदा समाधान आम तौर पर दो श्रेणियों में आते हैं, दोनों की महत्वपूर्ण सीमाएँ हैं:

पुनरावृत्ति विधियाँ (Iterative Methods - जैसे कि Plug-and-Play, Diffusion): ये अनुकूलन लूप (optimization loops) के भीतर प्री-ट्रेन्ड डिनोइज़र (denoisers) का उपयोग करती हैं। हालांकि ये लचीली हैं, लेकिन ये गणनात्मक रूप से महंगी (धीमी इन्फरेंस) हैं, अक्सर धुंधलापन (blur) पैदा करती हैं, और प्रशिक्षण डेटा वितरण पर बहुत अधिक निर्भर करती हैं।
अनरोल्ड/एंड-टू-एंड आर्किटेक्चर (Unrolled/End-to-End Architectures): इन्हें किसी एक विशिष्ट कार्य (जैसे केवल MRI) के लिए प्रशिक्षित किया जाता है। हालांकि ये तेज़ हैं, लेकिन इनमें सामान्यीकरण (generalizability) की कमी है; कार्य बदलने, इमेज मोडैलिटी (ग्रेस्केल से रंगीन) बदलने, या नॉइज़ मॉडल बदलने के लिए आमतौर पर पूर्ण पुन: प्रशिक्षण (full retraining) की आवश्यकता होती है। वे अक्सर आधुनिक UNet-आधारित डिनोइज़र के प्रदर्शन से मेल खाने में भी विफल रहते हैं जिनका उपयोग जनरेटिव मॉडलिंग में किया जाता है।

लक्ष्य एक एकल, हल्का, गैर-पुनरावृत्ति मॉडल (single, lightweight, non-iterative model) विकसित करना है जो विभिन्न मोडैलिटीज (ग्रेस्केल, रंगीन, कॉम्प्लेक्स) और नॉइज़ प्रकारों (गाऊसी, पॉइसन) के माध्यम से विविध इनवर्स समस्याओं (डीब्लरिंग, MRI, CT, इनपेंटिंग, सुपर-रिज़ॉल्यूशन) को हल करने में सक्षम हो, जबकि सेल्फ-सुपरवाइज्ड फाइन-ट्यूनिंग को बिना ग्राउंड-ट्रुथ डेटा के समर्थन करता हो।

2. कार्यप्रणाली: द रिकंस्ट्रक्ट एनीथिंग मॉडल (RAM)

RAM को DRUNet बैकबोन (एक अत्याधुनिक रेसिडुअल कनवल्शनल नेटवर्क) पर बनाया गया है, लेकिन यह अनुकूलन चरणों को अनरोल किए बिना नेटवर्क में अधिग्रहण भौतिकी (acquisition physics) को सीधे एकीकृत करने के लिए विशिष्ट वास्तुशिल्प संशोधनों को पेश करता है।

मुख्य वास्तुशिल्प घटक (Key Architectural Components)

प्रॉक्सिमल एस्टीमेशन मॉड्यूल (प्रारंभीकरण/Initialization):
- केवल $A^\top y$ (जो धुंधलापन पैदा करता है) या $A^\dagger y$ (जो शोर के प्रति संवेदनशील है) फीड करने के बजाय, RAM एक प्रॉक्सिमल स्टेप का उपयोग करता है:
  $\text{prox}_{\lambda f}(A^\top y) = \arg \min_u \lambda \|Au - y\|^2 + \|u - A^\top y\|^2$
- यह एक "मध्यम मार्ग" के रूप में कार्य करता है जो शोर दमन (noise suppression) और ब्लर रिडक्शन के बीच संतुलन बनाता है। रेगुलराइजेशन पैरामीटर $\lambda$ को इनपुट सिग्नल-टू-नॉइज़ रेशियो (SNR) के आधार पर गतिशील रूप से सेट किया जाता है।
क्रायलोव सबस्पेस मॉड्यूल (Krylov Subspace Module - KSM):
- यह मुख्य नवाचार है। अनरोल्ड नेटवर्क से प्रेरित होकर, RAM फीचर मैप्स के भीतर क्रायलोव सबस्पेस इटरेशन के माध्यम से फॉरवर्ड ऑपरेटर $A$ को शामिल करता है।
- प्रत्येक स्केल पर, नेटवर्क फीचर्स को इमेज डोमेन में डिकोड करता है, स्केल्ड ऑपरेटर $(A^\top A)^k$ के पावर इटरेशन लागू करता है, और उन्हें पुनः एनकोड करता है।
- गणितीय रूप से, अपडेट $(A^\top A)^k x_\ell$ और $(A^\top A)^k A^\top y$ जैसे पदों के रैखिक संयोजन (linear combination) की नकल करता है।
- नेटवर्क इस रैखिक संयोजन के गुणांकों (coefficients) को सीखता है, जो प्रभावी रूप से स्पष्ट मैट्रिक्स इनवर्जन या अनरोलिंग के बिना ऑपरेटर $A$ को एडेप्टिव रूप से इनवर्ट करने का तरीका सीखता है।
मल्टीस्केल ऑपरेटर कंडीशनिंग (Multiscale Operator Conditioning):
- इल-पोस्ड समस्याओं (जहाँ $n \gg m$ ) को संभालने के लिए, RAM कोर्स ग्रिड्स (मल्टीग्रिड दृष्टिकोण) पर फॉरवर्ड ऑपरेटर लागू करता है।
- ऑपरेटर्स को कोर्स स्केल्स पर डाउनसैंपल किया जाता है ( $A_s = A U_s$ ), जहाँ इनवर्स समस्या बेहतर तरीके से कंडिशन्ड होती है। यह कोर्स ग्रिड्स पर $A^\top A$ के कुशल कंप्यूटेशन की अनुमति देता है, जिससे महंगे फाइन-स्केल कैलकुलेशन से बचा जा सकता है।
नॉइज़ कंडीशनिंग (Noise Conditioning):
- मॉडल इनपुट के रूप में कॉन्स्टेंट फीचर मैप्स के रूप में स्पष्ट नॉइज़ पैरामीटर्स ( $\sigma$ गाऊसी के लिए, $\gamma$ पॉइसन गेन के लिए) को स्वीकार करता है।
- अनसीन नॉइज़ लेवल्स के लिए सामान्यीकरण सुनिश्चित करने के लिए आर्किटेक्चर से बायस (biases) को हटा दिया गया है ताकि स्केल इक्विवेरिएंस (scale equivariance) बनी रहे।
मोडैलिटी एग्नोस्टिसिज्म (Modality Agnosticism):
- मॉडल ग्रेस्केल (1 चैनल), कॉम्प्लेक्स (2 चैनल), और कलर (3 चैनल) छवियों को संभालता है।
- केवल इनपुट/आउटपुट कनवल्शनल लेयर्स और KSM एनकोडिंग/डिकोडिंग ब्लॉक्स को चैनल काउंट के लिए समायोजित किया जाता है; कोर वेट्स (core weights) सभी मोडैलिटीज के लिए साझा (shared) होते हैं।

3. प्रशिक्षण रणनीति (Training Strategy)

सुपरवाइज्ड प्री-ट्रेनिंग: मॉडल को DeepInverse लाइब्रेरी का उपयोग करके कार्यों के एक विशाल समूह (डीब्लरिंग, इनपेंटिंग, MRI, CT, सुपर-रिज़ॉल्यूशन) पर एक साथ प्रशिक्षित किया जाता है। यह विविध ऑपरेटर्स और नॉइज़ मॉडल्स के लिए एक एकीकृत प्रतिनिधित्व सीखता है।
सेल्फ-सुपरवाइज्ड फाइन-ट्यूनिंग: एक महत्वपूर्ण विशेषता केवल मेजरमेंट डेटा का उपयोग करके (बिना ग्राउंड-ट्रुथ के) अनसीन डेटासेट्स या समस्याओं के लिए प्री-ट्रेन्ड RAM को अनुकूलित करने की क्षमता है।
- लॉस फंक्शन मेजरमेंट कंसिस्टेंसी ( $L_{MC}$ ) और नलस्पेस लर्निंग ( $L_{NULL}$ ) को जोड़ता है।
- $L_{MC}$ यह सुनिश्चित करने के लिए स्टाइन के अनबायस्ड रिस्क एस्टीमेट (SURE) या स्प्लिटिंग लॉस का उपयोग करता है कि $A\hat{x} \approx y$ हो।
- $L_{NULL}$ ट्रांसफॉर्मेशन के प्रति इक्विवेरिएंस या $A$ के नलस्पेस में खोई हुई जानकारी को पुनः प्राप्त करने के लिए निरंतरता (consistency) को लागू करता है।
- यह RAM को एकल इमेज पर मिनटों में फाइन-ट्यून करने की अनुमति देता है।

4. मुख्य परिणाम (Key Results)

लेखकों ने RAM का मूल्यांकन इटरेटिव मेथड्स (DPIR, DiffPIR, DDRM) और अनरोल्ड/एंड-टू-एंड बेसलाइन्स (PDNet, uDPIR, Restormer) के विरुद्ध किया।

प्रदर्शन (Performance): RAM मेडिकल इमेजिंग (MRI, CT), माइक्रोस्कोपी और नेचुरल इमेज रेस्टोरेशन में स्टेट-ऑफ-द-आर्ट (SOTA) ज़ीरो-शॉट प्रदर्शन प्राप्त करता है।
- यह गति और गुणवत्ता दोनों में इटरेटिव मेथड्स (जैसे DDRM) से बेहतर प्रदर्शन करता है।
- यह 8 गुना बड़े और 3.7 गुना धीमे अनरोल्ड नेटवर्क (uDPIR) के बराबर या उससे बेहतर प्रदर्शन करता है।
दक्षता (Efficiency):
- पैरामीटर्स: ~36M (डिफ्यूजन मॉडल्स के 500M+ पैरामीटर्स की तुलना में हल्का)।
- गति: सिंगल फॉरवर्ड पास (गैर-पुनरावृत्ति)। यह अनरोल्ड uDPIR से 3.7x तेज़ और डिफ्यूजन-आधारित DDRM से 120x तेज़ है।
ज़ीरो-शॉट और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD):
- RAM उन कार्यों को सफलतापूर्वक संभालता है जो प्रशिक्षण के दौरान नहीं देखे गए थे, जैसे कि मल्टी-कॉइल MRI (बिना मेजरमेंट लेयर्स को पुन: प्रशिक्षित किए) और पॉइसन-नॉइज़ CT (गाऊसी नॉइज़ पर प्रशिक्षित)।
- यह सरल इटरेटिव स्कीम्स के साथ मिलकर ब्लाइंड डीब्लरिंग और फेज रिट्रीवल (नॉन-लीनियर समस्याएं) में मजबूती प्रदर्शित करता है।
सेल्फ-सुपरवाइज्ड अडैप्टेशन:
- वास्तविक दुनिया के डेटा (जैसे Cryo-EM या Sentinel-2 सैटेलाइट डेटा) पर RAM को फाइन-ट्यून करने से ज़ीरो-शॉट बेसलाइन्स और अन्य सेल्फ-सुपरवाइज्ड मेथड्स (जैसे DRUNet) की तुलना में महत्वपूर्ण प्रदर्शन लाभ मिलता है, जो अक्सर एक मिनट से कम में अभिसरण (converge) हो जाता है।

5. महत्व और योगदान (Significance and Contributions)

प्रतिमानों का एकीकरण (Unification of Paradigms): RAM सफलतापूर्वक इटरेटिव ऑप्टिमाइज़ेशन (फिज़िक्स $A$ को शामिल करना) और एंड-टू-एंड डीप लर्निंग (शक्तिशाली UNet बैकबोन का उपयोग करना) के बीच के अंतर को पाटता है। यह अनरोल्ड नेटवर्क की व्याख्यात्मकता (interpretability) और अनुकूलन क्षमता के साथ आधुनिक डिनोइज़र की दक्षता और प्रदर्शन प्राप्त करता है।
इमेजिंग के लिए फाउंडेशन मॉडल: यह धारणा को चुनौती देता है कि पुनर्निर्माण नेटवर्क को प्रत्येक कार्य के लिए विशिष्ट होना चाहिए। RAM कंप्यूटेशनल इमेजिंग के लिए एक सामान्य-उद्देश्य वाला फाउंडेशन मॉडल के रूप में कार्य करता है, जो एकल सेट वेट के साथ विविध मोडैलिटीज और ऑपरेटर्स को संभालने में सक्षम है।
व्यावहारिक परिनियोजन (Practical Deployment): बिना ग्राउंड-ट्रुथ के एकल छवियों पर फाइन-ट्यून करने की क्षमता इसे वैज्ञानिक और चिकित्सा इमेजिंग के लिए अत्यधिक मूल्यवान बनाती है जहाँ लेबल वाले डेटा की कमी या अनुपलब्धता होती है।
दक्षता: इटरेटिव अनरोलिंग और डिफ्यूजन सैंपलिंग से बचकर, RAM एक गणनात्मक रूप से कुशल समाधान प्रदान करता है जो वास्तविक समय या संसाधन-बाधित अनुप्रयोगों के लिए उपयुक्त है।

निष्कर्षतः, रिकंस्ट्रक्ट एनीथिंग मॉडल कंप्यूटेशनल इमेजिंग के लिए हल्के, सामान्यीकरण योग्य और सेल्फ-सुपरवाइज्ड दृष्टिकोण की ओर एक बदलाव का प्रतिनिधित्व करता है, जो यह प्रदर्शित करता है कि एक एकल आर्किटेक्चर प्रभावी रूप से विविध स्पेक्ट्रम की इनवर्स समस्याओं को स्टेट-ऑफ-द-आर्ट प्रदर्शन के साथ हल कर सकता है।