🤖 machine learning

LGQ: Learnable Geometric Quantization for Image Tokenization

यह शोधपत्र लर्नबल ज्योमेट्रिक क्वांटाइजेशन (LGQ) प्रस्तुत करता है, जो एक नवीन इमेज टोकनाइजेशन विधि है जो एक डायवर्सिटी और पीक्डनेस टर्म द्वारा नियमित सॉफ्ट-टू-हार्ड असाइनमेंट रणनीति के साथ एक लर्नबल कोडबुक को जोड़कर कोलैप्स-फ्री ट्रेनिंग और श्रेष्ठ रिकंस्ट्रक्शन एवं जनरेशन प्रदर्शन प्राप्त करती है, जिससे EMA या कोडबुक रीपैरामीट्राइजेशन जैसे जटिल ह्यूरिस्टिक्स की आवश्यकता समाप्त हो जाती है।

मूल लेखक: Idil Bilge Altun, Mert Onur Cakiroglu, Elham Buxton, Mehmet Dalkilic, Hasan Kurban

प्रकाशित 2026-07-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Idil Bilge Altun, Mert Onur Cakiroglu, Elham Buxton, Mehmet Dalkilic, Hasan Kurban

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

मुख्य विचार: छवियों को एक "शब्दावली" में संकुचित करना

कल्पना कीजिए कि आप अपने मित्र को एक उच्च-रिज़ॉल्यूशन वाली फोटो भेजना चाहते हैं, लेकिन आप उन्हें केवल शब्दों की एक छोटी सूची ही भेज सकते हैं। आपको एक टोकेनाइज़र (tokenizer) की आवश्यकता है। यह एक ऐसा उपकरण है जो एक छवि को देखता है, उसे छोटे-छोटे टुकड़ों में तोड़ता है, और प्रत्येक टुकड़े को एक विशिष्ट शब्दकोश (जिसे कोडबुक कहा जाता है) से एक शब्द से बदल देता है।

बाद में, एक कंप्यूटर (जेनेरेटर) उस शब्दों की सूची को पढ़ता है और शून्य से उस चित्र को फिर से बनाने की कोशिश करता है।

समस्या:
यदि आपका शब्दकोश बहुत बड़ा है (मान लीजिए 16,000 शब्द), तो आप उम्मीद करेंगे कि कंप्यूटर एक विस्तृत चित्र बनाने के लिए उन सभी का उपयोग करेगा। हालाँकि, कई वर्तमान प्रणालियों में, कंप्यूटर आलसी हो जाता है। वह अधिकांश शब्दों का उपयोग करना बंद कर देता है और सब कुछ वर्णित करने के लिए केवल कुछ ही शब्दों (जैसे शीर्ष 50 शब्द) का उपयोग करता है।

परिणाम: शब्दकोश बड़ा दिखता है, लेकिन कंप्यूटर की "शब्दावली" वास्तव में बहुत छोटी होती है। इसके कारण जो चित्र वह वापस बनाता है, वे धुंधले होते हैं या उनमें महत्वपूर्ण विवरण खो जाते हैं क्योंकि वह एक जटिल दृश्य को बहुत कम शब्दों के साथ समझाने की कोशिश कर रहा होता है। इसे कोडबुक कोलैप्स (Codebook Collapse) कहा जाता है।

तीन मौजूदा समाधान (और उनमें क्या खामियां हैं)

यह शोध पत्र इस "आलसी शब्दकोश" की समस्या को ठीक करने के लिए लोगों द्वारा किए गए तीन प्रयासों को देखता है:

"सीखने योग्य" शब्दकोश (VQ):
- उपमा: आप कंप्यूटर को एक खाली नोटबुक देते हैं और उसे अपना खुद का शब्दकोश लिखने के लिए कहते हैं।
- खामी: कंप्यूटर अपनी नोटबुक में बार-बार वही कुछ शब्द लिखता है, जिससे अधिकांश पृष्ठ खाली रह जाते हैं। यह कोलैप्स हो जाता है।
"फिक्स्ड ग्रिड" शब्दकोश (FSQ):
- उपमा: खाली नोटबुक के बजाय, आप कंप्यूटर को 16,000 स्लॉट वाला एक पहले से छपा हुआ ग्रिड देते हैं। उसे इन स्लॉट्स में से ही चुनना होगा।
- खामी: यह कभी कोलैप्स नहीं होता क्योंकि स्लॉट्स निश्चित होते हैं। लेकिन, ग्रिड कठोर है। यह उन विशिष्ट आकारों के अनुकूल नहीं हो सकता जो छवियां देखती हैं। यह एक गोल सेब को वर्गाकार डिब्बे में फिट करने की कोशिश करने जैसा है; यह काम तो करता है, लेकिन यह एकदम सटीक फिट नहीं है।
"रोटेशन" शब्दकोश (RotVQ):
- उपमा: आप कंप्यूटर को शब्दों को चारों ओर घुमाकर (rotate करके) धोखा देने की कोशिश करते हैं ताकि वह अलग-अलग शब्दों को चुने।
- खामी: यह थोड़ी मदद करता है, लेकिन कंप्यूटर अभी भी कुछ पसंदीदा शब्दों के आसपास ही केंद्रित रहने की प्रवृत्ति रखता है।

नया समाधान: LGQ (लर्नेबल जियोमेट्रिक क्वांटाइजेशन)

लेखक LGQ का प्रस्ताव करते हैं। इसे एक स्मार्ट, लचीला शब्दकोश समझें जो बिना अटके अपने सभी शब्दों का उपयोग करना सीखता है।

यहाँ बताया गया है कि LGQ तीन सरल तरीकों का उपयोग करके कैसे काम करता है:

1. "सॉफ्ट" असाइनमेंट (एक कोमल धक्का)

तुरंत एक शब्द चुनने के बजाय (जिससे अन्य शब्दों की अनदेखी होती है), LGQ कंप्यूटर को एक ही समय में सभी शब्दों पर "विचार" करने की अनुमति देता है, लेकिन अलग-अलग स्तर की रुचि के साथ।

उपमा: कल्पना कीजिए कि आप एक रेस्टोरेंट चुन रहे हैं। तुरंत "पिज्जा" लॉक करने के बजाय, आप कहते हैं, "मुझे 90% यकीन है कि मैं पिज्जा चाहता हूँ, लेकिन शायद 10% इटालियन भी हो सकता है।"
जादू: जैसे-जैसे कंप्यूटर प्रशिक्षण लेता है, वह एक बहुत ही "सॉफ्ट" चुनाव (सभी विकल्पों पर समान रूप से विचार करना) से शुरू होता है और अंत तक एक "हार्ड" चुनाव (एक विशिष्ट शब्द चुनना) की ओर बढ़ता है। यह कंप्यूटर को स्थिर होने से पहले अपने सभी शब्दों को एक्सप्लोर करने की अनुमति देता है।

2. "लोकप्रियता" दंड (विविधता का नियम)

पेपर कंप्यूटर के होमवर्क में एक विशेष नियम जोड़ता है: "यदि आप औसतन एक ही शब्द का बहुत अधिक उपयोग करते हैं, तो आपको दंड मिलेगा।"

उपमा: कल्पना कीजिए कि एक शिक्षक कक्षा को बताता है, "यदि आप बार-बार एक ही उत्तर के लिए हाथ उठाते हैं, तो आपके अंक कट जाएंगे। आपको अपने उत्तरों को सभी छात्रों के बीच फैलाना चाहिए।"
परिणाम: यह कंप्यूटर को पूरे शब्दकोश का उपयोग करने के लिए मजबूर करता है, न कि केवल लोकप्रिय शब्दों का। शोध पत्र इसे डाइवर्सिटी टर्म (Diversity Term) कहता है।

3. "फोकस" दंड (शार्पनेस का नियम)

जबकि कंप्यूटर को शुरुआत में कई शब्दों पर विचार करने की अनुमति है, शिक्षक यह भी कहता है, "लेकिन अंततः, आपको केवल एक स्पष्ट उत्तर चुनना होगा, न कि एक धुंधला मिश्रण।"

उपमा: आप कई विचारों पर मंथन कर सकते हैं, लेकिन जब आप अपना अंतिम निबंध जमा करते हैं, तो इसमें एक एकल, स्पष्ट विषय होना चाहिए, न कि सब कुछ का एक अस्पष्ट मिश्रण।
परिणाम: यह सुनिश्चित करता है कि अंतिम चित्र स्पष्ट और तीक्ष्ण (sharp) हो, न कि कई शब्दों का एक धुंधला मिश्रण।

यह एक बड़ी बात क्यों है?

शोध पत्र ने इमेजनेट (ImageNet) के एक विशाल डेटासेट पर LGQ का परीक्षण किया और अन्य विधियों के साथ इसकी तुलना की।

"गोल्डिलॉक्स" ज़ोन: LGQ ने अपने शब्दकोश को 100% उपयोग करना बनाए रखा। इसने अपने 16,000 शब्दों के शब्दकोश के हर एक शब्द का उपयोग किया, और यहाँ तक कि जब उन्होंने शब्दकोश का आकार दोगुना करके 65,000 कर दिया, तब भी इसने 100% का उपयोग किया।
"रीसेट" की आवश्यकता नहीं: अन्य विधियों को अक्सर बड़ा होने पर "रीसेट" या मैन्युअल रूप से ट्यून करने की आवश्यकता होती है। LGQ, शब्दकोश कितना भी बड़ा हो, उन्हीं सेटिंग्स के साथ काम करता है।
बेहतर चित्र: क्योंकि इसने पूरी शब्दावली का उपयोग किया, इसके द्वारा पुनर्गठित चित्र अन्य विधियों की तुलना में अधिक स्पष्ट थे, उनके रंग बेहतर थे और वे अधिक वास्तविक दिखते थे।
बेहतर जेनरेशन: जब उन्होंने इन शब्दकोशों का उपयोग नई छवियां (जैसे कि एक "किंग पेंगुइन" की तस्वीर बनाना) बनाने के लिए किया, तो LGQ विधि ने सबसे अच्छे परिणाम दिए।

सारांश

यह शोध पत्र LGQ को पेश करता है, जो छवियों को कोड में संकुचित करने का एक नया तरीका है। यह कंप्यूटर द्वारा अपनी अधिकांश शब्दावली को अनदेखा करने की समस्या को ठीक करता है। यह "सॉफ्ट-टू-हार्ड" सीखने की प्रक्रिया और दो सरल नियमों का उपयोग करता है: एक जो कंप्यूटर को अपने सभी शब्दों का उपयोग करने के लिए मजबूर करता है, और दूसरा जो उसे स्पष्ट, तीक्ष्ण विकल्प चुनने के लिए मजबूर करता है। परिणाम एक ऐसा सिस्टम है जो उच्च गुणवत्ता वाली छवियां बनाता है और बिना किसी निरंतर मैन्युअल ट्यूनिंग के आसानी से स्केल होता है।

तकनीकी सारांश: इमेज टोकेनाइज़ेशन के लिए लर्नबल ज्योमेट्रिक क्वांटाइजेशन (LGQ)

1. समस्या विवरण

डिस्क्रीट रिप्रेजेंटेशन लर्निंग आधुनिक जनरेटिव इमेज पाइपलाइनों का आधार है, जहाँ वेक्टर-क्वांटाइज्ड ऑटोएन्कोडर्स छवियों को ऑटोरिग्रेसिव या मास्क जेनरेटिव मॉडल्स के लिए टोकन अनुक्रमों में संकुचित (compress) करते हैं। टोकेनाइज़र की गुणवत्ता पूरे सिस्टम की सीमा (ceiling) निर्धारित करती है; यदि टोकेनाइज़र विवरण खो देता है या एक डिजेनरेट टोकन वितरण विकसित करता है, तो डाउनस्ट्रीम मॉडल्स उसे पुनः प्राप्त नहीं कर सकते।

मुख्य चुनौती जिसका समाधान किया गया है, वह है कोडबुक कोलैप्स (codebook collapse), एक ऐसी घटना जहाँ कोडबुक प्रविष्टियों का एक छोटा हिस्सा उपयोग पर हावी हो जाता है जबकि अधिकांश "डेड कोड्स" बन जाते हैं। इसके परिणामस्वरूप प्रभावी शब्दावली (vocabulary) इच्छित आकार $K$ से बहुत छोटी हो जाती है। मौजूदा समाधान आम तौर पर दो श्रेणियों में आते हैं जिनमें अंतर्निहित ट्रेड-ऑफ होते हैं:

लर्नबल कोडबुक्स (जैसे VQ-VAE): लचीले लेकिन कोलैप्स के प्रति संवेदनशील, जिन्हें मिटिगेशन के लिए EMA अपडेट, डेड-कोड रिसेट या रीपैरामीट्राइजेशन जैसे ह्यूरिस्टिक्स की आवश्यकता होती है।
फिक्स्ड ज्योमेट्री (जैसे FSQ, LFQ): फिक्स्ड स्केलर ग्रिड या इम्प्लिसिट बाइनरी संरचनाओं के कारण निर्माण द्वारा ही कोलैप्स-प्रतिरोधी, लेकिन डेटा अनिसोट्रॉपी (anisotropy) के अनुकूल होने में अक्षम और उच्च-घनत्व वाले क्षेत्रों में क्षमता केंद्रित करने में असमर्थ।

VQ ऑप्टिमाइज़ेशन को ठीक करने के हालिया प्रयास (जैसे RotVQ, SimVQ, IBQ) या तो ग्रेडिएंट पाथ को संशोधित करते हैं या कोडबुक को रीपैरामीटर करते हैं, जो अक्सर संरचनात्मक बाधाएं पेश करते हैं या प्रति-स्केल हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है।

2. कार्यप्रणाली: लर्नबल ज्योमेट्रिक क्वांटाइजेशन (LGQ)

LGQ एक ऐसा क्वांटाइज़र प्रस्तावित करता है जो एक पूर्णतः लर्नबल कोडबुक बनाए रखता है और सॉफ्ट-असाइनमेंट तथा दो विशिष्ट रेगुलराइजेशन टर्म्स के संयोजन के माध्यम से कोलैप्स-प्रतिरोध प्राप्त करता है, जिससे EMA, रिसेट, या कोडबुक रीपैरामीट्राइजेशन की आवश्यकता समाप्त हो जाती है।

मुख्य घटक

सॉफ्ट-टू-हार्ड असाइनमेंट: मानक VQ जो हार्ड नेयरेस्ट-नेबर असाइनमेंट ( $\arg \min$ ) का उपयोग करता है, उसके विपरीत LGQ स्क्वेयर्ड $\ell_2$ दूरियों पर टेम्परेचर-स्केल्ड सॉफ्टमैक्स का उपयोग करता है:
$p_{b,t,k} = \frac{\exp(-\|z_{b,t} - e_k\|^2 / \tau)}{\sum_{k'} \exp(-\|z_{b,t} - e_{k'}\|^2 / \tau)}$
फॉरवर्ड पास एक एकल डिस्क्रीट कोड ( $k^* = \arg \max p_k$ ) के लिए प्रतिबद्ध होता है, जबकि बैकवर्ड पास पूर्ण सॉफ्ट असाइनमेंट के माध्यम से फ्लो करता है। यह सुनिश्चित करता है कि प्रत्येक कोड को इनपुट की निकटता के अनुपात में एक ग्रेडिएंट सिग्नल मिले, जिससे ड्रिफ्ट (drift) को रोका जा सके।
टेम्परेचर एनिलिंग (Temperature Annealing): प्रशिक्षण के दौरान तापमान $\tau$ को 1.0 से 0.1 तक लीनियरली एनिल किया जाता है। उच्च प्रारंभिक $\tau$ अन्वेषण (exploration) और यूनिफॉर्म असाइनमेंट की अनुमति देता है, जबकि निम्न अंतिम $\tau$ असाइनमेंट को वन-हॉट की ओर शार्प करता है, जिससे कोडबुक ज्योमेट्री क्रिस्टलाइज हो पाती है।
रेगुलराइजेशन टर्म्स: रिकंस्ट्रक्शन लॉस में दो सस्ते टर्म्स जोड़े गए हैं:
1. पीक्डनेस टर्म ( $L_{peak}$ ): व्यक्तिगत टोकन असाइनमेंट्स को एकल कोड (near one-hot व्यवहार) पर केंद्रित होने के लिए प्रोत्साहित करता है।
  $L_{peak} = \frac{1}{BT} \sum_{b,t} \text{ReLU}\left(1 - \sum_k p_{b,t,k}^2\right)$
2. डाइवर्सिटी टर्म ( $L_{div}$ ): बैच-औसत उपयोग के संकेंद्रण को दंडित करता है। महत्वपूर्ण रूप से, इस टर्म को कोडबुक साइज $K$ द्वारा स्केल किया जाता है:
  $L_{div} = K \sum_k \bar{p}_k^2$
  जहाँ $\bar{p}_k$ एक बैच में कोड $k$ के औसत उपयोग को दर्शाता है। यह स्केलिंग सुनिश्चित करती है कि रेगुलराइज़र का परिमाण $K$ के प्रति इनवेरिएंट रहे, जिससे एक ही हाइपरपैरामीटर सेटिंग को कोडबुक के विस्तृत रेंज के लिए काम करने योग्य बनाया जा सके।

सैद्धांतिक औचित्य

पेपर तर्क देता है कि स्क्वेयर्ड $\ell_2$ डिस्टेंस (जो MSE रिकंस्ट्रक्शन के लिए बेयस-ऑप्टिमल है) और विशिष्ट रेगुलराइज़र्स का संयोजन VQ की अडैप्टिविटी और FSQ की कोलैप्स-प्रतिरोध क्षमता के बीच के अंतर को पाटता है। डाइवर्सिटी टर्म प्राथमिक "लोड-बियरिंग" एंटी-कोलैप्स प्रेशर के रूप में कार्य करता है, जबकि पीक्डनेस प्रति-टोकन कमिटमेंट को रिफाइन करता है।

3. मुख्य योगदान

LGQ का परिचय: एक लर्नable क्वांटाइज़र जो सॉफ्ट-असाइनमेंट, टेम्परेचर एनिलिंग और एक $K$ -स्केल्ड डाइवर्सिटी रेगुलराइज़र का उपयोग करके कोडबुक कोलैप्स को समाप्त करता है। यह बिना EMA, रिसेट, या रीपैरामीट्राइजेशन के, कोडबुक साइज की 16 $\times$ रेंज ( $K=4,096$ से $65,536$) में एक ही फिक्स्ड हाइपरपैरामीटर सेटिंग के साथ संचालित होता है।
नियंत्रित बेंचमार्किंग: एक समान VQ-GAN बैकबोन और रिकंस्ट्रक्शन ऑब्जेक्टिव का उपयोग करके ImageNet 256 $\times$ 256 पर पांच क्वांटिज़र्स (RotVQ, FSQ, SimVQ, IBQ, और LGQ) का कठोर तुलनात्मक अध्ययन।
एब्लेशन स्टडीज: कोलैप्स रेजिस्टेंस को चलाने वाले तंत्रों को अलग करने के लिए रेगुलराइज़र वेट्स और टेम्परेचर शेड्यूल्स का विश्लेषण।
डाउनस्ट्रीम जनरेशन प्रदर्शन: एक फ्रोजन MaskGIT ट्रांसफॉर्मर के साथ प्रशिक्षित टोकेनाइज़र्स का मूल्यांकन, जो दर्शाता है कि LGQ तुलना किए गए तरीकों में सर्वश्रेष्ठ क्लास-कंडीशनल जनरेशन क्वालिटी प्रदान करता है।

4. प्रयोगात्मक परिणाम

प्रयोग ImageNet 256 $\times$ 256 पर एक फिक्स्ड VQ-GAN बैकबोन ( $C=64, T=256$ ) के साथ किए गए।

रिकंस्ट्रक्शन प्रदर्शन ( $K=16,384$ )

LGQ ने तुलना किए गए क्वांटिज़र्स के बीच स्टेट-ऑफ-द-आर्ट मेट्रिक्स हासिल किए:

rFID: 12.32 (सर्वश्रेष्ठ), SimVQ के 16.05, IBQ के 16.21, FSQ के 17.38, और RotVQ के 20.15 की तुलना में।
PSNR/SSIM/LPIPS: LGQ सभी मेट्रिक्स में सभी बेसलाइन्स से बेहतर रहा (जैसे, PSNR 21.791, SSIM 0.6289, LPIPS 0.2438)।
उपयोगिता (Utilization): LGQ ने 100% कोडबुक उपयोगिता बनाए रखी, जबकि RotVQ गिरकर ~89.8% रह गया।

कोडबुक साइज स्वीप ( $K \in \{4K, \dots, 65K\}$ )

LGQ का परीक्षण एक ही सेट रेगुलराइज़र वेट्स ( $\lambda_{peak} = \lambda_{div} = 0.005$ ) और टेम्परेचर शेड्यूल के साथ पांच कोडबुक साइज के माध्यम से किया गया, जिसमें कोई प्रति- $K$ ट्यूनिंग नहीं की गई।
उपयोगिता: पूरे स्वीप के दौरान 100% पर बनी रही, भले ही $K$ का आकार 16 $\times$ बढ़ा।
गुणवत्ता: रिकंस्ट्रक्शन मेट्रिक्स (rFID, PSNR, SSim, LPIPS) $K$ बढ़ने के साथ मोनोटोनिक रूप से सुधरे, जो बिना किसी सैचुरेशन के $K=65,536$ पर 10.72 का rFID तक पहुँचे।

ज्योमेट्री और डाउनस्ट्रीम जनरेशन

ज्योमेट्री विश्लेषण: UMAP विज़ुअलाइज़ेशन ने दिखाया कि LGQ कोड्स एनकोडर डिस्ट्रीब्यूशन में समान रूप से फैले हुए हैं, जबकि RotVQ कोड्स एक छोटे सब-रीजन में क्लस्टर (cluster) हुए। LGQ ने उच्चतम नॉर्मलाइज्ड मार्जिनल एंट्रॉपी (0.997) और सबसे कम टॉप-1% मास (1.9%) प्रदर्शित किया, जो अत्यधिक यूनिफॉर्म उपयोग को दर्शाता है।
MaskGIT जनरेशन: जब इसे एक फ्रोजन MaskGIT ट्रांसफॉर्मर को ट्रेन करने के लिए उपयोग किया गया, तो LGQ ने IBQ (gFID 59.47) और FSQ (gFID 70.16) से बेहतर, सर्वश्रेष्ठ क्लास-कंडीशनल जनरेशन FID (57.69) और इनसेप्शन स्कोर (14.80) प्राप्त किया।

5. महत्व और दावे

पेपर दावा करता है कि LGQ सफलतापूर्वक लर्नबल अडैप्टिविटी और कोलैप्स-रेजिस्टेंस के बीच के ट्रेड-ऑफ को हल करता है। सॉफ्ट-असाइनमेंट और $K$ -इनवेरिएंट रेगुलराइजेशन के विशिष्ट संयोजन के माध्यम से स्ट्रक्चरल फिक्स (जैसे फिक्स्ड ग्रिड या रीपैरामीट्राइजेशन) को बदलकर, LGQ:

ह्यूरिस्टिक्स की आवश्यकता को समाप्त करता है: यह बिना EMA अपडेट, डेड-कोड रिसेट, या कोडबुक रीपैरामीट्राइजेशन के संचालित होता है।
मजबूती से स्केल करता है: यह विभिन्न $K$ के लिए हाइपरपैरामीटर रिट्यूनिंग की आवश्यकता के बिना 100% उपयोगिता बनाए रखता है और कोडबुक साइज बढ़ने के साथ रिकंस्ट्रक्शन क्वालिटी में सुधार करता है।
स्टेट-ऑफ-द-आर्ट से बेहतर है: यह हालिया कोलैप्स-रेसिस्टेंट डिज़ाइन्स जैसे FSQ, SimVQ, और IBQ की तुलना में रिकंस्ट्रक्शन फिडेलिटी और डाउनस्ट्रीम जेनेरेटिव क्वालिटी दोनों में अग्रणी है।

लेखक LGQ को केवल एक नए रेगुलराइजेशन सिद्धांत के रूप में नहीं, बल्कि एक विशिष्ट, अच्छी तरह से कैलिब्रेटेड एम्पिरिकल कॉम्बिनेशन के रूप में देखते हैं जो वर्तमान लर्नबल क्वांटिज़र्स की भंगुरता (brittleness) को दूर करता है।