EvoIQA - Explaining Image Distortions with Evolved White-Box Logic
यह शोध पत्र EvoIQA को प्रस्तुत करता है, जो एक जेनेटिक प्रोग्रामिंग-आधारित सिम्बोलिक रिग्रेशन फ्रेमवर्क है जो इमेज क्वालिटी असेसमेंट के लिए मानव-पठनीय गणितीय सूत्रों को विकसित करता है, और पारंपरिक मेट्रिक्स से बेहतर प्रदर्शन करते हुए तथा जटिल डीप लर्निंग मॉडल्स के बराबर पहुँचते हुए, व्याख्यात्मकता और अत्याधुनिक प्रदर्शन के बीच के अंतर को सफलतापूर्वक पाटता है।
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 फोटोग्राफी प्रतियोगिता में जज हैं। आपके पास एक बेदाग, एकदम सही फोटो है और उसी फोटो का एक दूसरा संस्करण है जिसे कंप्रेस (compressed), धुंधला (blurred) किया गया है या जिसके रंग बिगाड़ दिए गए हैं। आपका काम उस विकृत फोटो को यह देखते हुए 1 से 10 के बीच स्कोर देना है कि वह आपकी आँखों को कितना परेशान कर रही है।
लंबे समय से, कंप्यूटर यह काम हमारे लिए करने की कोशिश कर रहे हैं, लेकिन वे दो खराब कोनों में फंसे हुए हैं:
द रिजिड रोबोट (कठोर रोबोट): ये पुराने जमाने के गणितीय सूत्र (जैसे पिक्सेल के अंतर को गिनना) हैं। ये एक ऐसे रोबोट की तरह हैं जो केवल यह गिनता है कि दीवार से कितनी ईंटें गायब हैं। उसे इस बात से कोई फर्क नहीं पड़ता कि दीवार अजीब रंग की है या ईंटें टेढ़ी-मेढ़ी हैं; वह बस नंबर गिनता है। यह बहुत सरल है।
द ब्लैक-बॉक्स जीनियस (ब्लैक-बॉक्स जीनियस): ये आधुनिक डीप लर्निंग AI मॉडल हैं। ये अविश्वसनीय रूप से स्मार्ट हैं और आपको एक सटीक स्कोर दे सकते हैं। लेकिन ये एक जादूगर की तरह हैं जो मंत्र पढ़ता है और कहता है, "मुझे पता है कि जवाब 8.5 है, लेकिन मैं यह नहीं बता सकता कि क्यों।" यदि आप उनसे पूछते हैं कि उन्होंने यह निर्णय कैसे लिया, तो वे बस आपको घूरते रह जाते हैं। आप उन पर भरोसा नहीं कर सकते क्योंकि आप उनके तर्क को नहीं जानते।
एंट इवोआईक्यूए (EvoIQA): द "व्हाइट-बॉक्स" डिटेक्टिव।
लेखकों ने EvoIQA नामक एक नई प्रणाली बनाई है। इसे एक ऐसे जासूस के रूप में सोचें जो न केवल आपको फैसला सुनाता है, बल्कि एक लिखित रिपोर्ट भी देता है जिसमें विस्तार से बताया जाता है कि फोटो खराब क्यों है।
उन्होंने इसे कैसे बनाया, इसके लिए कुछ मजेदार उपमाओं का उपयोग किया गया है:
1. द "इवोल्यूशनरी" शेफ (जेनेटिक प्रोग्रामिंग)
हाथ से गणित का सूत्र लिखने के बजाय, शोधकर्ताओं ने जेनेटिक प्रोग्रामिंग नामक एक प्रक्रिया का उपयोग किया। कल्पना कीजिए कि एक शेफ एक बेहतरीन सूप की रेसिपी बनाना चाहता है।
- पीढ़ी 1 (Generation 1): शेफ यादृच्छिक (random) सामग्रियां मिलाता है (नमक, चीनी, पत्थर, पानी)। ज्यादातर का स्वाद बहुत बुरा होता है।
- सर्वाइवल ऑफ द फिटेस्ट (योग्यतम की उत्तरजीविता): शेफ उन्हें चखता है, जो "ठीक-ठाक" स्वाद वाले होते हैं उन्हें रखता है, और खराब वाले को फेंक देता है।
- मिक्सिंग एंड मैचिंग (मिलाना और मेल बिठाना): शेफ दो "ठीक-ठाक" सूप लेता है, उनकी रेसिपी को मिलाता है, और शायद एक चुटकी नया मसाला डाल देता है (म्यूटेशन)।
- दोहराना: सैकड़ों राउंड के बाद, शेफ एक ऐसा सूप विकसित करता है जो न केवल स्वादिष्ट है, बल्कि उसकी एक स्पष्ट, लिखित रेसिपी भी है।
EvoIQA गणित के साथ यही करता है। यह यादृच्छिक समीकरणों से शुरू होता है, मानवीय धारणाओं के विरुद्ध उनका परीक्षण करता है, और सबसे अच्छे समीकरणों को तब तक "प्रजनन" (breed) करता है जब तक कि उसे एक आदर्श गणितीय सूत्र नहीं मिल जाता जो मानव दृष्टि के अनुरूप हो।
2. द "स्टैटिस्टिकल फिंगरप्रिंट" (सांख्यिकीय उंगलियों के निशान - AGGD)
शेफ को यह सिखाने के लिए कि "खराब" क्या दिखता है, यह प्रणाली केवल पूरी तस्वीर को नहीं देखती है। यह छवि को छोटे-छोटे टुकड़ों में तोड़ देती है और फिंगरप्रिंट पैटर्न की तलाश करती है।
कल्पना कीजिए कि आप लोगों की भीड़ को देख रहे हैं।
- पुराने तरीके शायद केवल यह गिनेंगे कि कितने लोग लाल रंग के कपड़े पहने हुए हैं।
- EvoIQA भीड़ के आकार को देखता है। यह पूछता है: "क्या भीड़ समान रूप से फैली हुई है? क्या हर कोई एक कोने में सिमटा हुआ है? क्या भीड़ में अजीब स्पाइक्स (उभार) हैं?"
यह प्रणाली AGGD (Asymmetric Generalized Gaussian Distribution) नामक एक विशेष सांख्यिकीय उपकरण का उपयोग करती है ताकि इन पैटर्न को मापा जा सके। यह एक स्कैनर की तरह है जो पता लगाता है कि किसी छवि में "JPEG ब्लॉकनेस" (वे बदसूरत चौकोर आर्टिफैक्ट्स) या "कलर शिफ्ट" (रंगों का बदलाव) है या नहीं, जो केवल पिक्सेल के बजाय त्रुटि के सांख्यिकीय बनावट (statistical texture) का विश्लेषण करके होता है।
3. द "व्हाइट-बॉक्स" रिजल्ट (व्हाइट-बॉक्स परिणाम)
अंतिम परिणाम एक गणितीय समीकरण है जो कुछ इस तरह दिखता है (सरलीकृत):
क्वालिटी = (ग्रेडिएंट स्ट्रेंथ) × (कलर शिफ्ट + स्ट्रक्चरल डैमेज) + (रेफरेंस चेक)
चूंकि यह एक सरल गणितीय समीकरण है, इसलिए कोई भी इसे पढ़ सकता है।
- यदि स्कोर कम है, तो आप समीकरण को देखकर कह सकते हैं, "आह, 'कलर शिफ्ट' वाला हिस्सा बहुत बड़ा है, इसलिए रंगों की समस्या है।"
- यदि स्कोर अधिक है, तो आप जानते हैं कि "ग्रेडिएंट स्ट्रेंथ" मजबूत है, जिसका अर्थ है कि किनारे (edges) तीखे हैं।
यह एक बड़ी बात क्यों है?
आमतौर पर, कंप्यूटर को फोटोज़ को परखने में इंसान जितना स्मार्ट बनाने के लिए, आपको एक विशाल, जटिल डीप लर्निंग दिमाग (ब्लैक बॉक्स) की आवश्यकता होती है। ये भारी, धीमे और समझने में असंभव होते हैं।
EvoIQA सिद्ध करता है कि आपको उस भारी दिमाग की आवश्यकता नहीं है।
- प्रदर्शन (Performance): यह सबसे उन्नत डीप लर्निंग मॉडल्स (जैसे DB-CNN) के समान ही स्कोर देता है।
- गति (Speed): यह बहुत हल्का और तेज़ है क्योंकि यह केवल एक सरल गणितीय सूत्र है।
- भरोसा (Trust): यह एक "व्हाइट बॉक्स" है। आप देख सकते हैं कि यह वास्तव में कैसे सोचता है। यह समझाता है कि "JPEG कंप्रेशन छवि को नुकसान पहुँचाता है क्योंकि यह स्थानीय ब्लॉक विरूपण (local block distortions) पैदा करता है," बजाय इसके कि केवल एक जादुई नंबर दे दे।
निष्कर्ष (The Bottom Line)
यह पेपर दिखाता है कि हमें प्रदर्शन के लिए समझ (understanding) का त्याग करने की आवश्यकता नहीं है। ज़मीन से एक गणितीय सूत्र को "उगाने" के लिए एक विकासवादी प्रक्रिया (evolutionary process) का उपयोग करके, लेखकों ने एक इमेज क्वालिटी असेसमेंट टूल बनाया है जो सबसे अच्छे AI जितना स्मार्ट है, लेकिन उतना ही पारदर्शी है जितना कि एक साफ़ खिड़की। यह एक ऐसे जादूगर के बीच का अंतर है जो अपना रहस्य नहीं बताता, और एक मास्टर शेफ के बीच का अंतर है जो खुशी-खुशी अपनी रेसिपी साझा करता 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।