PreResQ-R1: Response-Preference Disentangled Ranking-and-Scoring Reinforcement Optimization for Robust Visual Quality Assessment

जब हम किसी तस्वीर या वीडियो को देखते हैं, तो हमारा मस्तिष्क तुरंत उसकी गुणवत्ता का आकलन कर लेता है। हम देखते हैं कि रंग कितने फीके हैं, किनारे कितने धुंधले हैं, या छवि कितनी दानेदार (grainy) दिख रही है। यह स्वाभाविक निर्णय ही वह है जिसे शोधकर्ता 'विजुअल क्वालिटी असेसमेंट' (दृश्य गुणवत्ता मूल्यांकन) कहते हैं। दशकों से, कंप्यूटर इस मानवीय क्षमता की नकल करने के लिए संघर्ष कर रहे हैं। शुरुआती प्रयास पिक्सेल त्रुटियों को मापने वाले कठोर गणितीय सूत्रों पर निर्भर थे, लेकिन वे अक्सर इस बात से मेल खाने में विफल रहे कि लोग वास्तव में सुंदरता और स्पष्टता को कैसे देखते हैं। हाल ही में, शक्तिशाली आर्टिफिशियल इंटेलिजेंस मॉडल, जिन्हें 'लार्ज मल्टीमॉडल मॉडल्स' कहा जाता है, को छवियों को देखने और उनका वर्णन करने के लिए प्रशिक्षित किया गया है। हालाँकि, जब इन मॉडलों से एक विशिष्ट गुणवत्ता स्कोर देने के लिए कहा जाता है, तो वे अक्सर असंगत हो जाते हैं। यदि आप एक ही मॉडल को एक ही तस्वीर को दो बार रेट करने के लिए कहते हैं, तो वह दो बहुत अलग नंबर दे सकता है, या उसका तर्क उसके अंतिम स्कोर के विपरीत हो सकता है। यह अस्थिरता इन प्रणालियों पर वास्तविक दुनिया के अनुप्रयोगों के लिए भरोसा करना कठिन बना देती है, जैसे कि स्मार्टफोन कैमरों को बेहतर बनाना या स्ट्रीमिंग वीडियो की गुणवत्ता सुनिश्चित करना।

शंघाई जियाओ टोंग विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को ठीक करने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे उन्होंने एक प्रणाली बनाई है जिसे वे PreResQ-R1 कहते हैं। आर्टिफिशियल इंटेलिजेंस को केवल एक संख्या का अनुमान लगाने या आँख मूंदकर रैंकिंग का पालन करने के लिए मजबूर करने के बजाय, उन्होंने मॉडल को दो अलग-अलग कार्यों को अलग करने के लिए सिखाया: अपने स्वयं के तर्क को स्थिर करना और अपनी प्राथमिकताओं को मानवीय निर्णय के साथ संरेखित करना। शोधकर्ताओं ने पाया कि पिछली प्रणालियों में अस्थिरता मॉडल की एक ही छवि के लिए बहुत अलग-अलग स्पष्टीकरण उत्पन्न करने की प्रवृत्ति से आई थी। इसे हल करने के लिए, उन्होंने एक ऐसी प्रशिक्षण प्रक्रिया डिजाइन की जो मॉडल को उसके आंतरिक तर्क में सुसंगत होने के लिए पुरस्कृत करती है और साथ ही यह भी सुनिश्चित करती है कि उसके अंतिम स्कोर उस तरह के हों जैसा कि एक मनुष्य संभवतः कहेगा। यह प्रणाली एक छवि के मूल्यांकन को पांच विशिष्ट भागों में विभाजित करती है: रंग कितने जीवंत हैं, कितना शोर या दाने (noise/grain) दिखाई दे रहे हैं, विवरण कितने तीक्ष्ण (sharp) हैं, मुख्य विषय कितना स्पष्ट है, और पृष्ठभूमि कितनी स्पष्ट है। इन पांच पहलुओं का व्यक्तिगत रूप से मूल्यांकन करने के बाद उन्हें संयोजित करके, मॉडल गुणवत्ता की अधिक विश्वसनीय और विस्तृत तस्वीर बनाना सीखता है।

शोधकर्ताओं ने प्राकृतिक विकृतियों जैसे धुंधलेपन या कम रोशनी वाली छवियों, साथ ही अन्य कृत्रिम बुद्धिमत्ता उपकरणों द्वारा बनाई गई छवियों सहित, छवियों और वीडियो की एक विस्तृत श्रृंखला पर इस नई पद्धति का परीक्षण किया। उन्होंने पाया कि उनकी प्रणाली मौजूदा तरीकों से काफी बेहतर प्रदर्शन करती है। स्थिर छवियों से संबंधित परीक्षणों में, नए मॉडल ने पिछले सर्वोत्तम दृष्टिकोणों की तुलना में सटीकता में 5.60 प्रतिशत सुधार किया। वीडियो गुणवत्ता के लिए, जहाँ चुनौती और भी बड़ी है क्योंकि सिस्टम को गति और समय के साथ चलते हुए चीजों का आकलन करना होता है, इसने सटीकता में 2.53 प्रतिशत सुधार किया। महत्वपूर्ण रूप से, मॉडल ने न केवल बेहतर नंबर दिए; बल्कि इसने बेहतर स्पष्टीकरण भी दिए। जब इसे परिदृश्य (landscape) की एक धुंधली फोटो दिखाई गई, तो मॉडल ने सही ढंग से पहचाना कि पत्तियाँ फोकस से बाहर थीं और पृष्ठभूमि में विवरण की कमी थी, न कि केवल एक अस्पष्ट टिप्पणी दी कि छवि "खराब" है। तर्क देने की यह क्षमता कि वह अपने स्कोर के लिए एक संरचित, साक्ष्य-आधारित कारण प्रदान करता है, इस प्रणाली को बहुत अधिक भरोसेमंद बनाती है।

इस कार्य की सफलता एक दो-चरणीय प्रशिक्षण रणनीति पर निर्भर करती है जो सीखने की प्रक्रिया की नकल करती है। पहले, मॉडल को एक छवि को देखने के कई अलग-अलग तरीकों का पता लगाने, स्कोर और कारणों की एक विस्तृत श्रृंखला उत्पन्न करने के लिए प्रोत्साहित किया जाता है। इस चरण के दौरान, सिस्टम उन उत्तरों को दंडित करता है जो बहुत बिखरे हुए या असंगत हैं, जिससे मॉडल को सोचने के एक स्थिर तरीके की ओर धीरे-धीरे निर्देशित किया जाता है। एक बार जब मॉडल ने एक विश्वसनीय आंतरिक लय पा ली, तो दूसरा चरण इसकी प्राथमिकताओं को सूक्ष्म रूप से ट्यून करने (fine-tuning) पर केंद्रित होता है। यहाँ, सिस्टम अपने निर्णयों की तुलना मानवीय रेटिंग से करता है, यह सीखने के लिए कि अपने स्कोर को कैसे समायोजित किया जाए ताकि वे मानवीय धारणा के साथ संरेखित हो सकें। "स्पष्ट रूप से सोचने" को "सही स्कोर देने" से अलग करने की यह प्रक्रिया मॉडल को उन कठिन मामलों को संभालने की अनुमति देती है जहाँ छवि की गुणवत्ता व्यक्तिपरक है या विकृतियाँ जटिल हैं। शोधकर्ताओं ने इस पद्धति को वीडियो तक विस्तारित किया, जिसमें व्यक्तिगत फ्रेम के भीतर विवरणों और समय के साथ गति के प्रवाह दोनों का विश्लेषण किया गया, बिना वीडियो के हर एक मोशन को पुनर्गठित किए।

इस शोध के निहितार्थ केवल एक बेहतर स्कोर प्राप्त करने से कहीं अधिक हैं। एक ऐसा सिस्टम बनाकर जो अपने तर्क को उस तरह से समझा सके जो मानवीय धारणा से मेल खाता हो, यह तकनीक डिजिटल मीडिया में अधिक मजबूत अनुप्रयोगों के द्वार खोलती है। यह सुझाव देता है कि आर्टिफिशियल इंटेलिजेंस को दृश्य गुणवत्ता समझने के लिए तैयार करने की कुंजी केवल उसे अधिक डेटा खिलाना नहीं है, बल्कि उसे अंतिम निर्णय लेने से पहले अपने स्वयं के तर्क में सुसंगत होना सिखाना है। अध्ययन प्रदर्शित करता है कि जब एक मॉडल को अपने आंतरिक तर्क को स्थिर करने और फिर उस तर्क को मानवीय प्राथमिकता के साथ संरेखित करने के लिए प्रशिक्षित किया जाता है, तो वह उस स्तर की विश्वसनीयता प्राप्त कर सकता है जो पहले पहुंच से बाहर थी। यह दृष्टिकोण छवियों को स्वचालित रूप से बेहतर बनाने, वीडियो सामग्री को क्यूरेट करने और यह सुनिश्चित करने के लिए कि हम अपनी स्क्रीन पर जो देखते हैं वह वास्तव में उस गुणवत्ता को दर्शाता है जिसकी हम अपेक्षा करते हैं, विकसित करने वाले उपकरणों के लिए एक आशाजनक मार्ग प्रदान करता है।