← नवीनतम पेपर
🤖 machine learning

Contrastive Conditional-Unconditional Alignment for Long-tailed Diffusion Model

यह शोध पत्र कॉन्ट्रास्टिव कंडीशनल-अनकंडीशनल अलाइनमेंट (CCUA) का प्रस्ताव करता है, जो एक ऐसा फ्रेमवर्क है जो हेड-क्लास की गुणवत्ता से समझौता किए बिना लॉन्ग-टेल्ड डिफ्यूजन मॉडल्स में टेल-क्लास छवियों की विविधता और निष्ठा को बढ़ाने के लिए अलाइनमेंट और अनसुपरवाइज्ड कॉन्ट्रास्टिव लॉस का उपयोग करता है।

मूल लेखक: Fang Chen, Alex Villa, Gongbo Liang, Fuxing Li, Xiaoyi Lu, Meng Tang

प्रकाशित 2026-06-25
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Fang Chen, Alex Villa, Gongbo Liang, Fuxing Li, Xiaoyi Lu, Meng Tang

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

यहाँ "Contrastive Conditional–Unconditional Alignment for Long-tailed Diffusion Model" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

समस्या: AI आर्ट में "अमीर और अमीर होता जाता है" (The "Rich Get Richer")

कल्पना कीजिए कि एक आर्ट स्कूल है जहाँ शिक्षक (AI) को 1,000 अलग-अलग विषयों पर पेंटिंग करना सीखना है।

  • "हेड" क्लासेस (Head Classes): "कुत्ते" या "कारों" जैसे विषयों के लिए, शिक्षक के पास 10,000 फोटो की एक लाइब्रेरी है। वे इन्हें पेंट करने में विशेषज्ञ बन जाते हैं।
  • "टेल" क्लासेस (Tail Classes): "रेड वाइन" या "एक विशिष्ट प्रकार के कीड़े" जैसे दुर्लभ विषयों के लिए, शिक्षक के पास केवल एक या दो फोटो हैं।

चूँकि शिक्षक इन दुर्लभ विषयों को बहुत कम देखता है, इसलिए वे एक ही जगह अटक जाते हैं। जब उनसे "रेड वाइन" पेंट करने को कहा जाता है, तो वे बस उसी एक फोटो की नकल करते हैं जो उनके पास है। वे अलग-अलग बोतलें, अलग लाइटिंग या अलग एंगल की कल्पना नहीं कर पाते। AI की भाषा में, इसे मोड कोलैप्स (mode collapse) कहा जाता है: AI आलसी हो जाता है और दुर्लभ श्रेणियों के लिए केवल एक ही उबाऊ, दोहराव वाली छवि बनाता है।

समाधान: CCUA (दो-चरणीय नृत्य - The "Two-Step Dance")

लेखकों ने एक नई ट्रेनिंग विधि प्रस्तावित की है जिसे CCUA (Contrastive Conditional–Unconditional Alignment) कहा जाता है। इसे AI को यह सिखाने के एक दो-चरणीय नृत्य (dance routine) के रूप में सोचें कि वह सामान्य विषयों को पेंट करना भूले बिना दुर्लभ विषयों के साथ रचनात्मक कैसे हो।

चरण 1: "आँखों पर पट्टी बाँधकर स्केच बनाना" (Alignment Loss)

उपमा: कल्पना कीजिए कि AI "रेड वाइन" (Conditional) और एक "रैंडम धब्बे" (Unconditional) को पेंट करने की कोशिश कर रहा है।

  • अंतर्दृष्टि: पेंटिंग की प्रक्रिया के शुरुआती कुछ सेकंड में (जब कैनवास ज्यादातर शोर और स्टैटिक से भरा होता है), एक रेड वाइन की तस्वीर एक रैंडम धब्बे की तस्वीर जैसी ही दिखती है। दोनों ही एक धुंधले, लो-रेज़ोल्यूशन वाले ढेर के रूप में शुरू होते हैं।
  • ट्रिक: लेखक AI को कहते हैं: "पेंटिंग के पहले कुछ चरणों के लिए, यह मान लो कि तुम्हें नहीं पता कि तुम क्या पेंट कर रहे हो। बस एक सामान्य, उच्च-गुणवत्ता वाला 'धब्बा' पेंट करो।"
  • यह कैसे मदद करता है: चूँकि AI के पास "धब्बों" के हजारों उदाहरण हैं (सभी सामान्य क्लासेस से), वह पेंटिंग शुरू करने का एक समृद्ध और विविध तरीका सीख लेता है। "रेड वाइन" की पेंटिंग को उसी तरह शुरू करने के लिए मजबूर करके जैसे वह एक "धब्बा" पेंटिंग को शुरू करता है, AI सामान्य क्लासेस से रचनात्मकता और विविधता उधार लेता है और उसे दुर्लभ क्लासेस पर लागू करता है।

चरण 2: "विकर्षण बल" (Unsupervised Contrastive Loss)

उपमा: कल्पना कीजिए कि AI ने अपना स्केच पूरा कर लिया है और अब वह विवरण (details) जोड़ रहा है।

  • समस्या: बिना मदद के, AI अभी भी उस एक "रेड वाइन" फोटो की नकल करने की कोशिश कर सकता है जो उसके पास है, जिसके परिणामस्वरूप 100 एक जैसी पेंटिंग्स बन सकती हैं।
  • ट्रिक: लेखक एक नियम जोड़ते हैं: "हर बार जब तुम 'रेड वाइन' पेंट करो, तो सुनिश्चित करो कि वह उसी बैच में बनाई गई अन्य सभी 'रेड वाइन' से अलग दिखे।"
  • यह कैसे काम करता है: वे एक गणितीय "विकर्षण बल" (repulsive force) का उपयोग करते हैं। यदि दो उत्पन्न छवियाँ बहुत समान दिखती हैं, तो AI को दंड (penalty) मिलता है। यह AI को अपनी कल्पना में छवियों को एक-दूसरे से दूर धकेलने के लिए मजबूर करता है, जिससे विविधता (अलग एंगल, रंग, आकार) पैदा होती है, भले ही उसके पास शुरू में केवल एक ही संदर्भ फोटो थी।

वे मिलकर कैसे काम करते हैं

जादू तब होता है जब आप इन दोनों चरणों को मिलाते हैं:

  1. एलाइनमेंट (Alignment) दुर्लभ क्लास को रचना के शुरुआती चरणों के दौरान सामान्य ज्ञान और विविधता को "चुराने" की अनुमति देता है।
  2. कॉन्ट्रास्टिव लॉस (Contrastive Loss) यह सुनिश्चित करता है कि एक बार जब AI विवरण जोड़ना शुरू करता है, तो वह केवल कॉपी-पेस्ट नहीं करता; बल्कि वह सक्रिय रूप से हर छवि को अद्वितीय बनाने की कोशिश करता है।

परिणाम

लेखकों ने इस परीक्षण को ImageNet-LT नामक एक विशाल डेटासेट पर किया (जिसमें कई दुर्लभ क्लासेस हैं)।

  • पहले: AI दुर्लभ वस्तुओं को पेंट करने में संघर्ष करता था, अक्सर प्रशिक्षण की कुछ ही फोटो की धुंधली या एक जैसी प्रतियां बनाता था।
  • बाद में (CCUA के साथ): AI द्वारा बनाई गई दुर्लभ छवियां न केवल अधिक स्पष्ट (उच्च फिडेलिटी) थीं, बल्कि बहुत अधिक विविध (उच्च विविधता) भी थीं। वह "रेड वाइन" को कई अलग-अलग तरीकों से पेंट कर सकता था, भले ही प्रशिक्षण के दौरान उसने केवल एक उदाहरण देखा हो।

सारांश

यह पेपर AI के "दुर्लभ चीजों में खराब होने" की समस्या को हल करता है, उसे यह सिखाकर कि हर पेंटिंग को एक ही तरह से कैसे शुरू किया जाए (सामान्य ज्ञान से उधार लेकर) और फिर उसे हर अंतिम परिणाम को अद्वितीय बनाने के लिए मजबूर करना (विकर्षण बल का उपयोग करके)। यह AI को अधिक प्रशिक्षण डेटा की आवश्यकता के बिना दुर्लभ श्रेणियों के लिए उच्च-गुणवत्ता वाली, विविध छवियां उत्पन्न करने की अनुमति देता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →