LICA: Layered Image Composition Annotations for Graphic Design Research
यह शोध पत्र LICA को प्रस्तुत करता है, जो 1.5 मिलियन से अधिक बहु-परतीय ग्राफिक डिज़ाइन संरचनाओं और समृद्ध संरचनात्मक मेटाडेटा वाले एनिमेटेड लेआउटों से बना एक बड़े पैमाने का डेटासेट है, जिसका उद्देश्य पिक्सेल-आधारित से संरचना-जागरूक समझ की ओर ध्यान केंद्रित करके संरचित लेआउट जनरेशन, डिज़ाइन एडिटिंग और टेम्पोरली-अवेयर मॉडलिंग में अनुसंधान को आगे बढ़ाना 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 सुंदर, जटिल पोस्टर देख रहे हैं। एक साधारण व्यक्ति (या एक मानक कंप्यूटर कैमरा) के लिए, यह केवल पिक्सेल से बनी एक सपाट तस्वीर है। लेकिन एक ग्राफिक डिजाइनर के लिए, वह पोस्टर वास्तव में एक परतदार केक (layered cake) की तरह है। इसमें बैकग्राउंड की फ्रॉस्टिंग है, फलों की एक परत है, टेक्स्ट की एक परत है, और ऊपर सजावट के लिए एक चेरी है। प्रत्येक परत के अपने नियम हैं: वह कहाँ स्थित है, उसका रंग क्या है, वह कौन सा फॉन्ट उपयोग करती है, और यहाँ तक कि यदि वह एक वीडियो है तो वह कैसे चलती है।
लंबे समय तक, ग्राफिक डिजाइन को समझने की कोशिश करने वाली AI एक ऐसी अंधी व्यक्ति की तरह थी जो उस केक को छूकर महसूस कर रही है। वह पोस्टर के "आकार" को तो महसूस कर सकती है, लेकिन वह यह नहीं बता सकती कि फल और फ्रॉस्टिंग में क्या अंतर है, या यह नहीं जान सकती कि चेरी को अंत में जोड़ा गया था। वह एक सपाट छवि देखती है, उसके पीछे की संरचना (structure) को नहीं।
LICA का आगमन हुआ।
यह पेपर पेश करता है LICA (लेयर्ड इमेज कंपोजिशन एनोटेशन), जो AI को X-रे चश्मे का एक जोड़ा और केक की हर एक परत के लिए एक विस्तृत निर्देश मैनुअल देने जैसा है।
यहाँ बताया गया है कि LICA क्या बनाता है, सरल उपमाओं का उपयोग करते हुए:
1. "लेगो" बनाम "पेंटिंग"
अधिकांश पुराने डेटासेट AI को एक तैयार पेंटिंग थमा देने और यह कहने जैसे थे, "यहाँ एक कार की तस्वीर है।" AI पूरी चीज़ को देखता है लेकिन यह नहीं जानता कि कौन सा हिस्सा पहिया है, कौन सा दरवाज़ा है, या वे आपस में कैसे जुड़े हुए हैं।
LICA, AI को लेगो ब्रिक्स (Lego bricks) का एक विशाल डिब्बा देने जैसा है।
- यह केवल AI को अंतिम तस्वीर ही नहीं देता; यह उन्हें ब्लूप्रिंट (blueprint) भी देता है।
- यह AI को बताता है: "यह एक टेक्स्ट ब्लॉक है (फॉन्ट: Arial, आकार: 20, रंग: नीला)। यह एक इमेज है (एक सर्कल में क्रॉप की गई)। यह आकृतियों का एक समूह है।"
- इसमें ऐसे 1.5 मिलियन ब्लूप्रिंट हैं। यह "लेगो निर्देशों" का एक विशाल पुस्तकालय है जो इंस्टाग्राम पोस्ट से लेकर बिजनेस कार्ड तक सब कुछ कवर करता है।
2. "टाइम-लैप्स" कैमरा
अब तक, AI केवल स्थिर (static) तस्वीरें डिजाइन करना जानता था। लेकिन आधुनिक डिजाइन अक्सर चलते-फिरते होते हैं (जैसे कि एक टिकटॉक विज्ञापन या एक पावरपॉइंट स्लाइड जो एनिमेट होती है)।
LICA पहला ऐसा डेटासेट है जो AI को आकृतियों से बनी "फिल्में" डिजाइन करना सिखाता है।
- एक स्टॉप-मोशन एनिमेशन की कल्पना करें। LICA केवल अंतिम फ्रेम ही नहीं दिखाता; यह AI को बताता है कि प्रत्येक हिस्सा ठीक कैसे चलता है।
- यह कहता है: "0.5 सेकंड पर, शीर्षक बाईं ओर से आता है। 1.0 सेकंड पर, फोटो धीरे से उभरती (fade in) है।"
- यह एक बहुत बड़ी छलांग है क्योंकि यह समय (time) को एक डिजाइन टूल के रूप में देखता है, न कि केवल चित्रों के एक क्रम के रूप में।
3. विविधताओं के साथ "रेसिपी बुक"
क्या आपने कभी ऐसा टेम्पलेट देखा है जहाँ आप फोटो और टेक्स्ट बदल सकते हैं, लेकिन डिजाइन फिर भी बेहतरीन दिखता है? वह एक "टेम्पलेट" है।
LICA एक मास्टर शेफ की रेसिपी बुक की तरह है जो आपको एक ही केक बनाने के 24 अलग-अलग तरीके दिखाती है।
- इसमें लगभग 1 मिलियन अद्वितीय रेसिपी (टेम्पलेट्स) हैं।
- एक ही रेसिपी के लिए, यह आपको 24 अलग-अलग संस्करण दिखा सकता है: एक लाल थीम के साथ, एक नीली थीम के साथ, एक अलग फोटो के साथ, लेकिन सभी एक ही "लॉजिक" या संरचना का उपयोग करते हैं।
- यह AI को केवल छवियों की नकल करने के बजाय, अच्छे डिजाइन के नियमों को सीखने में मदद करता है।
4. यह क्यों मायने रखता है? (सुपरपावर्स)
AI को इस गहरी, संरचित समझ देकर, LICA कुछ शानदार क्षमताएं अनलॉक करता है:
- "मैजिक इरेज़र" जो वास्तव में काम करता है: यदि आप किसी पोस्टर से लोगो हटाना चाहते हैं, तो पुराना AI शायद उसे धुंधलेपन के साथ पेंट करके ढक देगा। LICA-प्रशिक्षित AI जानता है कि लोगो किस "लेयर" पर है, इसलिए यह बैकग्राउंड टेक्स्ट को खराब किए बिना इसे सफाई से हटा सकता है।
- "स्टाइल कैमेलियन" (Style Chameleon): आप AI को कह सकते हैं, "इस बिजनेस कार्ड को म्यूजिक फेस्टिवल पोस्टर जैसा बना दो," और यह संरचना को बरकरार रखते हुए फॉन्ट, रंग और लेआउट लॉजिक को बदलने का तरीका समझ जाएगा।
- "मोशन डायरेक्टर": यह एक स्थिर फ्लायर को स्वचालित रूप से एक शानदार, एनिमेटेड वीडियो विज्ञापन में बदल सकता है, यह जानते हुए कि प्रत्येक तत्व को कब पॉप अप होना चाहिए।
निष्कर्ष
LICA से पहले, AI तैयार पेंटिंग्स को घूरकर ग्राफिक डिजाइन सीखने की कोशिश कर रहा था। वह केवल अनुमान लगा रहा था।
LICA पहली बार है जब हमने AI को वास्तविक उपकरण, ब्लूप्रिंट और निर्देश मैनुअल दिए हैं। यह एक बड़ा कदम है जो कंप्यूटर को केवल डिजाइन को "देखने" के बजाय उन्हें वास्तव में समझने और मानव डिजाइनरों की तरह उसी संरचनात्मक तर्क के साथ बनाने की अनुमति देता है। यह एक ऐसे रोबोट के बीच का अंतर है जो स्टिक फिगर (रेखाचित्र) बना सकता है और एक ऐसे रोबोट के बीच का अंतर है जो एक पेशेवर मैगजीन कवर डिजाइन कर सकता 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।