💻 computer science

LISA-3D: Lifting Language-Image Segmentation to 3D via Multi-View Consistency

LISA-3D एक पैरामीटर-कुशल, दो-चरणीय ढांचा है जो ज्यामिति-जागरूक लो-रैंक एडेप्टेशन परतों के साथ LISA मॉडल को अनुकूलित करके और डिफरेंशिएबल रिप्रोजेक्शन लॉस के माध्यम से मल्टी-व्यू कंसिस्टेंसी को लागू करके, भाषा-निर्देशित 2D सेगमेंटेशन को स्थिर 3D पुनर्निर्माण तक ऊपर उठाता है।

मूल लेखक: Zhongbin Guo, Jiahe Liu, Wenyu Gao, Yushan Li, Xiaomin He, Chengzhi Li, Ping Jian

प्रकाशित 2026-07-30

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhongbin Guo, Jiahe Liu, Wenyu Gao, Yushan Li, Xiaomin He, Chengzhi Li, Ping Jian

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 रोबोट को दुनिया को केवल देखकर नहीं, बल्कि आपको सुनकर समझने के लिए सिखाने की कोशिश कर रहे हैं। यह भाषा-निर्देशित 3D पुनर्निर्माण (language-guided 3D reconstruction) का रोमांचक क्षितिज है। इसे एक जादू के खेल की तरह समझें जहाँ आप एक बिखरे हुए कमरे की ओर इशारा करते हैं और कहते हैं, "उस लाल कुर्सी को पकड़ो," और रोबोट तुरंत उस कुर्सी का एक सटीक, तैरता हुआ 3D मॉडल बना देता है, बाकी सब कुछ अनदेखा करते हुए। इसे करने के लिए, रोबोट को तालमेल में काम करने वाली दो महाशक्तियों की आवश्यकता होती है। पहला, उसे एक "मस्तिष्क" चाहिए जो आपके मुक्त-रूप निर्देशों को पढ़ सके और एक 2D फोटो में सटीक वस्तु को ढूंढ सके (जैसे एक सपाट तस्वीर में लाल कुर्सी को पहचानना)। दूसरा, उसे एक "निर्माता" चाहिए जो उस 2D बिंदु को ले सके और उसे एक 3D आकार में बदल सके। समस्या यह है कि ये दोनों हिस्से अक्सर एक-दूसरे से ठीक से बात नहीं कर पाते। "मस्तिष्क" भ्रमित हो सकता है यदि फोटो किसी अजीब कोण से ली गई हो, और "निर्माता" गलत जगह की ओर इशारा मिलने पर गड़बड़ी कर देगा।

यहीं पर LISA-3D पेपर काम आता है। यह इस पेचीदा सवाल को हल करता है कि कैसे रोबोट के "मस्तिष्क" को पूरे रोबोट को फिर से बनाए बिना 3D स्थान के प्रति स्मार्ट बनाया जाए। शोधकर्ता जानना चाहते थे: क्या हम एक भाषा-समझदार इमेज-सेगमेंटर को यह सिखा सकते हैं कि एक वस्तु अलग-अलग कोणों से भी एक जैसी ही दिखती है, और इसके लिए केवल कुछ अतिरिक्त गहराई सेंसर (depth sensors) वाली तस्वीरों का उपयोग किया जा सकता है? उन्होंने पाया कि एक चतुर, हल्के प्रशिक्षण (lightweight training) के तरीके का उपयोग करके, वे रोबoid के निर्देशों को बहुत अधिक विश्वसनीय बना सकते हैं। परिणाम एक ऐसा सिस्टम है जो टेक्स्ट से बेहतर 3D मॉडल बनाता है, भले ही रोबोट बाद में केवल एक फोटो देख रहा हो, और और भी बेहतर यदि उसके पास तुलना करने के लिए दूसरी फोटो हो।

समस्या: "भ्रमित कैमरा" (The Confused Camera)

कल्पना कीजिए कि आप अपने किसी मित्र को एक विशिष्ट कुर्सी का वर्णन करने की कोशिश कर रहे हैं जिसने उसे पहले कभी नहीं देखा है। आप कहते हैं, "खिड़की के पास वाली लकड़ी की कुर्सी।" यदि आपका मित्र बाईं ओर से फोटो लेता है, तो उसे कुर्सी का किनारा दिखेगा। यदि वह दाईं ओर से फोटो लेता है, तो उसे सामने का हिस्सा दिखेगा। यदि आपके मित्र का "मस्तिष्क" 3D स्थान को समझने के लिए प्रशिक्षित नहीं है, तो उसे लग सकता है कि साइड व्यू और फ्रंट व्यू दो अलग-अलग कुर्सियाँ हैं, या वह कुर्सी की रूपरेखा इस तरह से बना सकता है जो 3D में बनाने पर तर्कहीन लगे।

AI की दुनिया में, हमारे पास LISA (एक रोबोट मस्तिष्क जो वस्तुओं को खोजने के लिए जटिल भाषा निर्देशों का पालन करता है) और SAM-3D (एक रोबोट निर्माता जो उन 2D रूपरेखाओं को 3D वस्तुओं में बदल देता है) जैसे शक्तिशाली उपकरण हैं। लेकिन इसमें एक खामी है। जब LISA एक फोटो को देखता है, तो वह वस्तु के चारों ओर एक मास्क (एक डिजिटल आउटलाइन) बनाता है। यदि आप उसे अलग कोण से एक फोटो दिखाते हैं, तो LISA थोड़ा अलग आउटलाइन बना सकता है। जब आप इन असंगत आउटलाइनों को निर्माता (SAM-3D) को देते हैं, तो अंतिम 3D मॉडल डगमगाता हुआ, टूटा हुआ या बस गलत हो जाता है। यह हर बार घर को अलग सड़क के कोने से देखने पर बदलते हुए ब्लूप्रिंट का उपयोग करके घर बनाने की कोशिश करने जैसा है।

समाधान: "डबल-चेक" प्रशिक्षण (The "Double-Check" Training)

LISA-3D के लेखकों ने पूरे रोबोट को फिर से बनाए बिना इसे ठीक करने के लिए एक स्मार्ट, दो-चरणीय योजना बनाई। वे पूरे विशाल मस्तिष्क को फिर से प्रशिक्षित नहीं करना चाहते थे (जिसमें बहुत समय लगता और भारी मात्रा में डेटा की आवश्यकता होती)। इसके बजाय, उन्होंने LoRA (Low-Rank Adaptation) नामक तकनीक का उपयोग किया।

रोबोट के मस्तिष्क को ज्ञान के एक विशाल, जमे हुए पुस्तकालय के रूप में सोचें। आप अंदर की किताबें नहीं बदल सकते, लेकिन आप कवर पर एक छोटा सा 'स्टिकी नोट' लगा सकते हैं जो लाइब्रेरियन को एक विशिष्ट नए कार्य को संभालने का निर्देश दे। इस मामले में, "स्टिकी नोट" मापदंडों का एक छोटा सेट (केवल 11.6 मिलियन) है जो रोबोट को सिखाता है कि कैमरा हिलने पर अपनी आउटलाइन को कैसे सुसंगत रखा जाए।

यहाँ प्रशिक्षण कैसे काम करता है:

सेटअप: शोधकर्ता रोबोट को एक ही दृश्य की दो तस्वीरें दिखाते हैं जो थोड़े अलग कोणों से ली गई हैं, साथ ही एक डेप्थ मैप (एक चित्र जो रोबोट को बताता है कि चीजें कितनी दूर हैं)।
खेल: वे रोबोट को उसी वाक्य (जैसे, "लाल कुर्सी") का उपयोग करके दोनों फोटो में वस्तु खोजने के लिए कहते हैं।
जादुई ट्रिक: रोबोट पहली फोटो में बनाई गई आउटलाइन लेता है और गणितीय रूप से उसे "वारप" (warp) करता है ताकि यह देख सके कि दूसरी फोटो में वह कहाँ होनी चाहिए, जो 3D डेप्थ जानकारी पर आधारित है।
सुधार: यदि दूसरी फोटो में रोबोट की वास्तविक आउटलाइन, पहली फोटो से वारप की गई आउटलाइन से मेल नहीं खाती है, तो सिस्टम उसे सुधारने के लिए एक हल्का "धक्का" (लॉस फंक्शन) देता है। यह एक शिक्षक की तरह है जो कहता है, "हे, अगर तुमने पहली तस्वीर में कुर्सी यहाँ बनाई थी, तो दूसरी तस्वीर में यह ऐसी ही दिखनी चाहिए क्योंकि कमरा नहीं हिला है।"

यह प्रक्रिया रोबोट को "जियोमेट्री-अवेयर" (geometry-aware) बनने के लिए प्रशिक्षित करती है। यह सीखता है कि वस्तु वही भौतिक वस्तु है, चाहे कैमरा एंगल कुछ भी हो।

परिणाम: एक फोटो बनाम दो फोटो

पेपर में इस नए रोबोट का परीक्षण दो अलग-अलग तरीकों से किया गया है, और परिणाम काफी स्पष्ट हैं।

मोड 1: सिंगल-व्यू हीरो (The Single-View Hero)
वास्तविक दुनिया में, आपके पास अक्सर केवल एक फोटो होती है। आप एक कुर्सी की फोटो लेते हैं और कहते हैं, "मेरे लिए इसे बनाओ।" शोधकर्ताओं ने पाया कि हालांकि रोबोट को दो फोटो का उपयोग करके प्रशिक्षित किया गया था, लेकिन वह एक फोटो के साथ काम करने में बहुत बेहतर हो गया।

इस प्रशिक्षण से पहले, रोबोट की 2D आउटलाइन लगभग 10.2% बार सही थी (mIoU नामक मीट्रिक द्वारा मापा गया)।
"डबल-चेक" प्रशिक्षण के बाद, सटीकता बढ़कर 17.6% हो गई।
इससे भी महत्वपूर्ण बात यह है कि इसके द्वारा बनाए गए 3D मॉडल बहुत बेहतर थे। "F-स्कोर" (एक पूर्णता और सटीकता का माप) 54.7 से बढ़कर 61.8 हो गया, और आकार में त्रुटि (Chamfer Distance) 12.4 से घटकर 10.2 रह गई।
यह साबित करता है कि रोबोट ने एक सामान्य कौशल सीखा है: उसने केवल दो फोटो को संभालने के लिए याद नहीं किया; उसने सामान्य रूप से एक बेहतर "स्पॉटर" बनना सीखा।

मोड 2: सुपर-हेल्पर (The Super-Helper)
यदि आपके पास वास्तव में एक दूसरी फोटो है (जैसे कि एक रोबोटिक आर्म या VR हेडसेट से, जिसे पता है कि वह कहाँ है), तो सिस्टम में एक वैकल्पिक "फ्यूजन" मोड है। यह दोनों फोटो से आउटलाइन लेता है, उन्हें आपस में मिलाता है, और निर्माता के लिए एक और भी बेहतर निर्देश बनाता है।

इस अतिरिक्त मदद के साथ, 2D सटीकता उछलकर 25.4% हो गई।
3D गुणवत्ता का F-स्कोर 70.3 तक पहुँच गया, और त्रुटि काफी कम होकर 7.9 रह गई।

यह क्यों मायने रखता है

इस खोज का सबसे रोमांचक हिस्सा यह है कि लेखकों को एक नया 3D बिल्डर या नया भाषा मस्तिष्क आविष्कार करने की आवश्यकता नहीं पड़ी। उन्होंने बस मौजूदा उपकरणों (LISA और SAM-3D) को लिया और उनके बीच एक छोटा, जियोमेट्री-स्मार्ट लेयर जोड़ दिया।

उन्होंने स्पष्ट रूप से इस विचार को खारिज कर दिया कि लाभ प्राप्त करने के लिए उपयोग के समय आपको जरूरी नहीं कि दूसरी फोटो की आवश्यकता हो। प्रशिक्षण में दो फोटो का उपयोग पाठ सिखाने के लिए किया गया था, लेकिन छात्र (रोबोट) केवल एक फोटो के साथ भी परीक्षा पास कर सकता है। यह एक बड़ी बात है क्योंकि इसका मतलब है कि यह सिस्टम रोजमर्रा के उपयोग के लिए व्यावहारिक है, जहाँ हमारे पास आमतौर पर केवल एक ही स्नैपशॉट होता है।

हालाँकि, पेपर अपनी सीमाओं के बारे में भी ईमानदार है। प्रशिक्षण के लिए स्पष्ट डेप्थ डेटा (RGB-D) और यह जानने की आवश्यकता होती है कि कैमरा कहाँ था। यदि डेप्थ सेंसर शोर वाला (noisy) है या कैमरा हिल रहा है, तो "डबल-चेक" भ्रमित हो सकता है। यह सिस्टम संरचित इनडोर वातावरण में स्थिर वस्तुओं (जैसे फर्नीचर) के साथ सबसे अच्छा काम करता है, न कि चलते हुए लोगों वाले अराजक बाहरी दृश्यों में।

संक्षेप में, LISA-3D ऐसा है जैसे आपने रोबोट को उसके ट्रेनिंग कैंप के दौरान 3D चश्मा पहना दिया हो। भले ही वह चश्मा उतारकर दुनिया में केवल एक आँख (एक फोटो) के साथ जाए, फिर भी उसे याद रहता है कि दुनिया को 3D में कैसे देखना है, जिससे वह आपके शब्दों से बेहतर और स्थिर मॉडल बना पाता है। यह एक मॉड्यूलर, कुशल और आश्चर्यजनक रूप से प्रभावी तरीका है जो हमारे द्वारा कही जाने वाली बातों और रोबोट द्वारा बनाई जाने वाली चीजों के बीच के अंतर को पाटता है।

तकनीकी सारांश: LISA-3D

समस्या विवरण
टेक्स्ट-संचालित 3D पुनर्निर्माण (reconstruction) का लक्ष्य मुक्त-रूप भाषा निर्देशों से ऑब्जेक्ट-केंद्रित 3D एसेट्स उत्पन्न करना है। मॉड्यूलर पाइपलाइनों (जैसे, SAM-3D का उपयोग करना) में एक महत्वपूर्ण बाधा एक विश्वसनीय, ज्यामिति-स्थिर (geometry-stable) सेगमेंटेशन मास्क प्राप्त करना है। LISA और Sa2VA जैसे मौजूदा निर्देश-अनुसरण करने वाले सेगमेंटर्स जटिल भाषा को तो समझ सकते हैं, लेकिन वे ऐसे मास्क उत्पन्न करते हैं जो अक्सर व्यूपॉइंट-विशिष्ट (viewpoint-specific) होते हैं। जब इन असंगत 2D मास्क का उपयोग एक फ्रोजन (frozen) 3D रिकंस्ट्रक्टर को प्रॉम्प्ट देने के लिए किया जाता है, तो परिणामी 3D ज्यामिति अस्थिर या सटीक नहीं होती है। चुनौती यह है कि पूरे सिस्टम को फिर से प्रशिक्षित किए बिना या नए 3D-टेक्स्ट एनोटेशन एकत्र किए बिना, एक भाषा-सशर्त सेगमेंटर को दृश्य ज्यामिति (scene geometry) का सम्मान करने के लिए कैसे अनुकूलित किया जाए।

कार्यप्रणाली (Methodology)
LISA-3D एक दो-चरणीय, पैरामीटर-कुशल फ्रेमवर्क प्रस्तावित करता है जो SAM-3D रिकंस्ट्रक्टर को फ्रोजन रखते हुए LISA सेगमेंटर को अनुकूलित करता है।

ज्यामिति-जागरूक LoRA अनुकूलन (Geometry-Aware LoRA Adaptation):
- प्रशिक्षण: यह विधि ज्ञात कैमरा पोज के साथ युग्मित (paired), रजिस्टर्ड RGB-D फ्रेम्स का उपयोग करती है। एक लो-रैंक एडेप्टेशन (LoRA) मॉड्यूल को LISA के विजन और लैंग्वेज ब्रांचेस के अटेंशन लेयर्स में इंजेक्ट किया जाता है।
- उद्देश्य: प्रशिक्षण उद्देश्य मानक सेगमेंटेशन लॉस (BCE और Dice) को एक डिफरेंशिएबल रिप्रोजेक्शन लॉस के साथ जोड़ता है। ओवरलैपिंग व्यूज के लिए, मॉडल डेप्थ मैप्स और कैमरा इंट्रिंसिक्स/एक्सट्रिंसिक्स का उपयोग करके एक व्यू से दूसरे व्यू में मास्क लॉजिट्स को वार्प (warp) करता है। एक वैधता मास्क ( $\Omega$ ) उन अमान्य पत्राचारों (correspondences) को फ़िल्टर करता है जो ऑक्लूजन (occlusion), अमान्य डेप्थ, या आउट-ऑफ-फ्रेम प्रोजेक्शन के कारण होते हैं।
- प्रतिबंध (Constraint): ज्यामितीय लॉस ( $L_{geo}$ ) सोर्स व्यू से वार्प किए गए लॉजिट्स और टारगेट व्यू में अनुमानित मास्क के बीच असहमति को दंडित करता है। यह सेगमेंटर को बिना किसी स्पष्ट 3D-टेक्स्ट पेयर्स के, व्यूपॉइंट-इनवेरिएंट (viewpoint-invariant) सीमाओं को सीखने के लिए मजबूर करता है। केवल 11.6M LoRA पैरामीटर्स को अपडेट किया जाता है; बैकबोन LISA और SAM-3D फ्रोजन रहते हैं।
मॉड्यूलर 3D लिफ्टिंग (Modular 3D Lifting):
- इन्फरेंस मोड (Inference Modes): अनुकूलित मॉडल दो अलग-अलग परिनियोजन मोड का समर्थन करता है:
  - सिंगल-व्यू मोड (Single-View Mode): एक एकल RGB इमेज और टेक्स्ट प्रॉम्प्ट लेता है, जो SAM-3D के लिए RGBA प्रॉम्प्ट बनाने हेतु एक बाइनरी अल्फा मास्क उत्पन्न करता है। यह ज्यामिति-जागरूक प्रशिक्षण की हस्तांतरणीयता (transferability) का परीक्षण करता है।
  - मल्टी-व्यू मोड (Multi-View Mode - वैकल्पिक): यदि टेस्ट टाइम पर दूसरा रजिस्टर्ड RGB-D व्यू उपलब्ध है, तो सपोर्टिंग व्यू के लॉजिट्स को रेफरेंस फ्रेम पर वार्प और फ्यूज किया जाता है, इससे पहले कि थ्रेशोल्डिंग की जाए। इस रिफाइंड प्रॉम्प्ट को फिर SAM-3D को पास किया जाता है।
- इंटरफेस: सिस्टम एक बाइनरी अल्फा मास्क ( $M_r$ ) को RGB इमेज ( $I_r$ ) के साथ जोड़कर प्रॉम्प्ट $I^{prompt}_r = [I_r, M_r]$ बनाता है। यह बाइनरी इंटरफेस निरीक्षण योग्यता (inspectability) की अनुमति देता है, जिससे भाषा ग्राउंडिंग और 3D जनरेशन में होने वाली त्रुटियों को अलग किया जा सके।

प्रमुख योगदान

ज्यामिति-जागरूक LoRA ट्यूनिंग: यह पेपर एक विधि पेश करता है जो युग्मित RGB-D व्यूज पर वैलिडिटी-मास्क्ड रिप्रोजेक्शन लॉस के माध्यम से एक निर्देश-अनुसरण करने वाले सेगमेंटर को रेट्रोफिट करता है। यह बिना किसी 3D एनकोडर को प्रशिक्षित किए या अतिरिक्त 3D-टेक्स्ट डेटा एकत्र किए, व्यूपॉइंट निरंतरता में सुधार करता है।
मॉड्यूलर SAM-3D लिफ्टिंग: यह फ्रेमवर्क एक स्वच्छ इंटरफेस स्थापित करता है जहाँ अनुकूलित सेगमेंटर एक फ्रोजन SAM-3D रिकंस्ट्रक्टर के लिए एक एकल रेफरेंस-व्यू RGBA प्रॉम्प्ट उत्पन्न करता है, जो साधारण सिंगल-इमेज परिनियोजन और वैकल्पिक मल्टी-व्यू फ्यूजन दोनों का समर्थन करता है।
प्रोटोकॉल-जागरूक मूल्यांकन: लेखक ज्यामिति-जागरूक प्रशिक्षण (सिंगल-व्यू इन्फरेंस) से होने वाले लाभों को वैकल्पिक मल्टी-व्यू इन्फरेंस के लाभों से स्पष्ट रूप से अलग करते हैं। यह स्पष्ट करता है कि सीखने का योगदान स्वयं अनुकूलन (adaptation) है, जबकि मल्टी-व्यू फ्यूजन एक परिनियोजन लाभ है।

परिणाम
ScanRefer और Nr3D बेंचमार्क पर मूल्यांकित करते हुए, LISA-3D वैनिला LISA और अन्य बेसलाइन्स (Grounded-SAM, Sa2VA) की तुलना में महत्वपूर्ण सुधार प्रदर्शित करता है, जब उनके मास्क को उसी फ्रोजन SAM-3D पाइपलाइन के माध्यम से भेजा जाता है:

सिंगल-व्यू प्रदर्शन: ScanRefer पर, ज्यामिति-जागरूक अनुकूलन 2D mIoU को 10.2 से 17.6 और 3D F-score को 54.7 से 61.8 में सुधार करता है, जबकि Chamfer Distance (CD) को 12.4 से 10.2 तक कम करता है। Nr3D पर भी समान लाभ देखे गए हैं।
मल्टी-व्यू प्रदर्शन: जब इन्फरेंस के दौरान फ्यूजन के लिए एक अतिरिक्त रजिस्टर्ड RGB-D व्यू उपलब्ध होता है, तो प्रदर्शन और बढ़ जाता है (ScanRefer mIoU: 25.4, F-score: 70.3, CD: 7.9)।
दक्षता (Efficiency): विधि केवल 11.6M पैरामीटर्स को अपडेट करती है, जो यह प्रदर्शित करती है कि 2D रीजनिंग और 3D रिकंस्ट्रक्शन के बीच के अंतर को पाटने के लिए हल्का (lightweight) अनुकूलन पर्याप्त है।

महत्व और दावे
यह पेपर LISA-3D को एक नए 3D फाउंडेशन मॉडल के रूप में नहीं, बल्कि रीजनिंग सेगमेंटेशन और रिकंस्ट्रक्शन की सीमा पर एक लक्षित अनुकूलन तंत्र के रूप में प्रस्तुत करता है। इसका प्राथमिक महत्व यह प्रदर्शित करना है कि दृश्य ज्यामिति (scene geometry) का उपयोग हल्के अनुकूलन के दौरान एक रेगुलराइज़र के रूप में किया जा सकता है ताकि फ्रोजन 3D जनरेटर्स के लिए अधिक विश्वसनीय प्रॉम्प्ट तैयार किए जा सकें।

लेखक दावा करते हैं कि 3D पुनर्निर्माण में सुधार सीधे बेहतर गुणवत्ता वाले 2-D अल्फा प्रॉम्प्ट से आता है, जो व्यूपॉइंट परिवर्तनों के तहत अधिक स्थिर हो जाता है।
मॉड्यूलर डिज़ाइन निरीक्षण योग्यता (inspectability) की अनुमति देता है (यह निदान करना कि त्रुटियां ग्राउंडिंग या लिफ्टिंग से उत्पन्न हुई हैं) और प्रतिस्थापन योग्यता (replaceability) प्रदान करता है (पूरे स्टैक को पुन: प्रशिक्षित किए बिना सेगमेंटर्स या रिकंस्ट्रक्टर्स को बदलना)।
कार्य सीमाओं को स्वीकार करता है, जिसमें प्रशिक्षण के लिए वैध डेप्थ/पोज पर निर्भरता, बाइनरी मास्क इंटरफेस के कारण समृद्ध सिमेंटिक संकेतों का नुकसान, और रिप्रोजेक्शन वैधता सुनिश्चित करने के लिए ट्रेनिंग डेटा का फ़िल्टरिंग शामिल है। भविष्य के कार्य के रूप में अनिश्चितता-जागरूक वार्पिंग (uncertainty-aware warping) और समृद्ध टोकन-लेवल इंटरफेस की खोज करने का सुझाव दिया गया है।

समस्या: "भ्रमित कैमरा" (The Confused Camera)

समाधान: "डबल-चेक" प्रशिक्षण (The "Double-Check" Training)

परिणाम: एक फोटो बनाम दो फोटो

यह क्यों मायने रखता है

इसी तरह के और पेपर