💻 computer science

SEM-ROVER: Semantic Voxel-Guided Diffusion for Large-Scale Driving Scene Generation

SEM-ROVER एक 3D जनरेटिव फ्रेमवर्क है जो एक डिस्क्रीट $\Sigma$ -Voxfield ग्रिड पर संचालित होने वाले एक सिमेंटिक-कंडीशन्ड डिफ्यूजन मॉडल का उपयोग करता है ताकि प्रोग्रेसिव स्पेशियल आउटपेंटिंग और डिफ़र्ड रेंडरिंग के माध्यम से फोटोरियलिस्टिक बड़े पैमाने के ड्राइविंग दृश्यों के स्केलेबल, मल्टीव्यू-कंसिस्टेंट जनरेशन को सक्षम बनाया जा सके।

मूल लेखक: Hiba Dahmani, Nathan Piasco, Moussab Bennehar, Luis Roldão, Dzmitry Tsishkou, Laurent Caraffa, Jean-Philippe Tarel, Roland Brémond

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hiba Dahmani, Nathan Piasco, Moussab Bennehar, Luis Roldão, Dzmitry Tsishkou, Laurent Caraffa, Jean-Philippe Tarel, Roland Brémond

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 आर्किटेक्ट हैं जो किसी वीडियो गेम या सेल्फ-ड्राइविंग कार सिम्युलेटर के लिए एक विशाल, फोटो-रियलिस्टिक शहर बनाने की कोशिश कर रहे हैं। समस्या क्या है? वर्तमान के अधिकांश उपकरण ऐसे हैं जैसे आप एक अकेली फोटो को देखते हुए एक-एक ईंट रखकर गगनचुंबी इमारत बनाने की कोशिश कर रहे हों। वे या तो ज्यामिति (geometry) को गलत कर देते हैं (इमारतें सपाट दिखती हैं), या वे कंप्यूटर को क्रैश किए बिना विशाल क्षेत्रों को नहीं संभाल सकते, या वे केवल एक विशिष्ट कैमरा एंगल से काम करते हैं।

SEM-ROVER एक नया आविष्कार है जो इसे हल करता है क्योंकि यह निर्माण के पूरे दर्शन को बदल देता है। फोटो से निर्माण करने के बजाय, यह 3D ब्लॉक्स से बने एक "डिजिटल ब्लूप्रिंट" से निर्माण करता है।

यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. "लेगो ब्रिक" ब्लूप्रिंट (द Σ-Voxfield)

कल्पना कीजिए कि आपके पास एक विशाल 3D ग्रिड है, जैसे लेगो ब्रिक्स का एक बड़ा डिब्बा।

पुराना तरीका: अधिकांश सिस्टम हर एक छोटे ब्रिक को डेटा से भरने की कोशिश करते हैं, जो धीमा और मेमोरी-खर्चीला होता है। या, वे एक 2D तस्वीर बनाने की कोशिश करते हैं और उसे 3D में खींच देते हैं, जो अजीब दिखता है जब आप उसके चारों ओर घूमते हैं।
SEM-ROVER का तरीका: वे एक विशेष प्रकार के ब्रिक का उपयोग करते हैं जिसे Σ-Voxfield कहा जाता है।
- प्रत्येक ब्रिक को मिट्टी के एक ठोस ब्लॉक के रूप में नहीं, बल्कि "सरफेस सैंपल्स" के एक छोटे, प्री-पैक्ड बैग के रूप में सोचें।
- प्रत्येक ब्रिक के अंदर, ठीक 20 छोटे बिंदु होते हैं। प्रत्येक बिंदु का एक विशिष्ट 3D स्थान और एक विशिष्ट रंग होता है।
- यदि ब्रिक एक सड़क का प्रतिनिधित्व करता है, तो बिंदु डामर (asphalt) जैसा दिखने के लिए व्यवस्थित होते हैं। यदि यह एक इमारत है, तो वे ईंट की दीवारों की तरह दिखते हैं।
- जादू: क्योंकि प्रत्येक ब्रिक में बिंदुओं की संख्या समान (20) है, कंप्यूटर उन्हें एक वाक्य में शब्दों की तरह मान सकता है। यह AI को शहर को "पढ़ने" और भाषा मॉडल की तरह कहानी लिखते हुए शहर के नए हिस्सों को "लिखने" की अनुमति देता है।

2. "स्मार्ट पेंटर" (सेमेंटिक डिफ्यूजन)

अब जब शहर इन विशेष ब्रिक्स से बना है, तो हम एक नया शहर कैसे बनाते हैं?

कंडीशन (शर्त): आप शून्य से शुरुआत नहीं करते हैं। आप AI को एक मोटा, कोर्स मैप (जैसे एक बच्चे का चित्र) देते हैं जो दिखाता है कि सड़कें, पेड़ और इमारतें कहाँ होनी चाहिए। यह "सेमेंटिक वोक्सेल ग्रिड" है।
प्रक्रिया: AI एक रचनात्मक चित्रकार की तरह कार्य करता है जो एक समय में केवल एक छोटा सा पड़ोस (लगभग 4x4 मीटर) देखता है। यह आपके मोटे मैप को लेता है और विवरणों को भरता है: "ठीक है, यह एक 'इमारत' है, इसलिए मैं अपने 20 बिंदुओं को खिड़की और दरवाजे की तरह दिखने के लिए व्यवस्थित करूँगा।"
परिणाम: यह एक सुसंगत 3D संरचना बनाता है। क्योंकि यह सीधे 3D आकार बना रहा है (केवल 2D इमेज नहीं), यदि आप सिमुलेशन में इमारत के चारों ओर घूमते हैं, तो यह अभी भी एक इमारत की तरह ही दिखेगी। कोई "सपाट दीवारें" या "ग्लिच टेक्सचर" नहीं।

3. "इनफिनिट स्क्रॉल" (स्पेशियल आउटपेंटिंग)

क्या होगा यदि आप एक ऐसा शहर बनाना चाहते हैं जो 100 किलोमीटर लंबा हो? AI इसे एक बार में अपनी मेमोरी में नहीं रख सकता।

समाधान: SEM-ROVER प्रोग्रेसिव आउटपेंटिंग नामक तकनीक का उपयोग करता है।
उपमा: कल्पना कीजिए कि आप एक बहुत लंबी दीवार पर एक भित्ति चित्र (mural) पेंट कर रहे हैं, लेकिन आपके पास केवल एक छोटा ब्रश है। आप एक हिस्सा पेंट करते हैं, फिर अपने ब्रश को थोड़ा दाईं ओर ले जाते हैं, अगले हिस्से के लिए गाइड के रूप में अभी किए गए गीले पेंट के किनारे का उपयोग करते हैं।
AI एक छोटा पड़ोस बनाता है, फिर जो हिस्सा उसने अभी बनाया है उसके आधार पर अगले हिस्से को "आउटपेंट" (विस्तार) करता है, यह सुनिश्चित करता है कि सड़कें जुड़ें और इमारतें पूरी तरह से संरेखित हों। यह बिना मेमोरी खत्म किए अनंत काल तक ऐसा करना जारी रख सकता है, जिससे एक विशाल, निर्बाध दुनिया बनाई जा सकती है।

4. "मैजिक फिल्टर" (डिफर्ड रेंडरिंग)

3D ग्रिड बिंदुओं का सेट संरचना के लिए तो अच्छा है, लेकिन यह थोड़ा "ब्लॉकी" लग सकता है या इसमें आकाश और दूर के कोहरे की कमी हो सकती है।

सुधार: सिस्टम 3D ग्रिड को लेता है और इसे एक डिफर्ड रेंडरिंग मॉड्यूल के माध्यम से चलाता है।
उपमा: 3D ग्रिड को एक खुरदरी मिट्टी की मूर्ति के रूप में सोचें। रेंडरिंग मॉड्यूल एक हाई-एंड फोटो फिल्टर की तरह है जो उस मूर्ति की फोटो लेता है और उसमें लाइटिंग, आकाश, छाया और बारीक टेक्सचर जोड़कर उसे एक वास्तविक फोटोग्राफ जैसा बनाता है।
महत्वपूर्ण बात यह है कि यह 3D दुनिया बनने के बाद होता है। इसका मतलब है कि आप अपने जनरेट किए गए शहर की किसी भी कोण से फोटो ले सकते हैं (এমনকি उन एंगल्स से भी जिन्हें AI ने ट्रेनिंग के दौरान नहीं देखा था), और यह फिर भी वास्तविक दिखेगा।

यह एक बड़ी बात क्यों है?

कोई "पर-सीन" ट्रेनिंग नहीं: पुराने तरीकों को अक्सर एक विशिष्ट शहर को "सीखने" के लिए घंटों समय बिताना पड़ता था। SEM-ROVER एक यूनिवर्सल जनरेटर की तरह है; आप इसे एक मैप देते हैं, और यह तुरंत शहर बना देता है।
निरंतरता (Consistency): यदि आप जनरेट किए गए शहर के ऊपर से ड्रोन उड़ाते हैं, तो इमारतें विकृत या गायब नहीं होंगी। वे ठोस रहती हैं क्योंकि 3D संरचना पहले बनाई गई थी।
दक्षता (Efficiency): यह अन्य अत्याधुनिक तरीकों की तुलना में बहुत कम कंप्यूटर मेमोरी का उपयोग करता है (8GB बनाम 75GB), जिससे इसे विशाल सर्वर फार्मों के बजाय मानक हाई-एंड कंप्यूटरों पर चलाना संभव हो जाता है।

संक्षेप में: SEM-ROVER एक कंप्यूटर को शहर का एक मोटा स्केच और आत्म-संयोजन करने वाले जादुई लेगो ब्रिक्स देने जैसा है। कंप्यूटर ब्लॉक-दर-ब्लॉक 3D शहर बनाता है, यह सुनिश्चित करता है कि सब कुछ पूरी तरह से फिट हो, और फिर इसे वास्तविक दिखने के लिए एक "फोटो फिल्टर" लागू करता है, जबकि यह भी सुनिश्चित करता है कि वह जितना चाहें उतना बड़ा शहर बना सके।

यहाँ शोध पत्र "SEM-ROVER: Semantic Voxel-Guided Diffusion for Large-Scale Driving Scene Generation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बड़े पैमाने पर, फोटोरियलिस्टिक (photorealistic) 3D ड्राइविंग दृश्यों को उत्पन्न करना स्वायत्त वाहन सिमुलेशन, डेटा सिंथेसिस और दृश्य संपादन (scene editing) के लिए अत्यंत महत्वपूर्ण है। हालाँकि, मौजूदा दृष्टिकोणों में महत्वपूर्ण समझौते (trade-offs) देखने को मिलते हैं:

इमेज/वीडियो-आधारित डिफ्यूजन (Image/Video-based Diffusion): जो विधियाँ 2D जनरेटिव मॉडल्स को 3D में संकलित (distill) करती हैं (जैसे 3D Gaussian Splatting के माध्यम से), वे अक्सर खराब ज्यामितीय सुसंगतता (geometric coherence), मल्टी-व्यू निरंतरता की कमी और सीमित संपादन क्षमता से जूझती हैं। वे अक्सर विशिष्ट कैमरा प्रक्षेप पथों (camera trajectories) से बंधी होती हैं।
वॉक्सेल-आधारित 3D जनरेशन (Voxel-based 3D Generation): सघन वॉक्सेल ग्रिड (dense voxel grids) का उपयोग करके सीधा 3D जनरेशन खराब रूप से स्केल करता है। दृश्य के आकार के साथ कम्प्यूटेशनल लागत और मेमोरी का उपयोग तेजी से बढ़ता है, जिससे उच्च-रिज़ॉल्यूशन, बड़े विस्तार वाला जनरेशन अव्यावहारिक हो जाता है।
इम्प्लिसिट रिप्रजेंटेशन (Implicit Representations): बड़े पैमाने के वर्ल्ड मॉडल अक्सर अत्यधिक संकुचित या इम्प्लिसिट रिप्रजेंटेशन पर निर्भर करते हैं जिन्हें कुशलतापूर्वक रेंडर या संरचनात्मक रूप से मैनिपुलेट करना कठिन होता है।

मुख्य चुनौती: एक ऐसा ढांचा कैसे प्राप्त किया जाए जो प्रति-दृश्य अनुकूलन (per-scene optimization) की आवश्यकता के बिना, 3D निरंतरता (3 3D consistency), बड़े शहरी वातावरणों के लिए स्केलेबिलिटी (scalability) और फोटोरियलिस्टिक रेंडरिंग को एक साथ सुनिश्चित कर सके।

2. कार्यप्रणाली (Methodology)

लेखक SEM-ROVER का प्रस्ताव करते हैं, जो एक नवीन डिस्क्रीट रिप्रजेंटेशन और एक सिमेंटिक-कंडीशन्ड डिफ्यूजन मॉडल का उपयोग करके सीधे 3D स्पेस में दृश्यों को उत्पन्न करता है।

A. रिप्रजेंटेशन: $\Sigma$ -Voxfield

सघन वॉक्सेल्स या निरंतर क्षेत्रों के बजाय, लेखक $\Sigma$ -Voxfield ग्रिड पेश करते हैं:

परिभाषा: एक डिस्क्रीट रिप्रजेंटेशन जहाँ प्रत्येक ऑक्यूपाइड वॉक्सेल में रंगीन सतह नमूनों (colorized surface samples) की एक निश्चित संख्या ( $n$ ) होती है।
संरचना: प्रत्येक वॉक्सेल $v_\Sigma$ को वॉक्सेल केंद्र के सापेक्ष 3D निर्देशांक $(x, y, z)$ और RGB रंगों के साथ $n$ बिंदुओं के सेट के रूप में परिभाषित किया गया है।
लाभ: यह रिप्रजेंटेशन ज्योमेट्री और अपीयरेंस को एक फिक्स्ड-कार्डिनैलिटी टोकन में अलग करता है, जो इसे ट्रांसफार्मर-आधारित आर्किटेक्चर के लिए आदर्श बनाता है। यह स्थानीय ज्यामिति और फोटोमेट्री को संयुक्त रूप से कैप्चर करता है जबकि स्पार्स (sparse) रहता है और वर्ल्ड कोऑर्डिनेट्स के साथ संरेखित रहता है।
रेंडरिंग: 2D इमेज रेंडर करने के लिए, बिंदुओं को स्थानीय सतह नॉर्मल्स (PCA के माध्यम से) के साथ संरेखित 2D Gaussians में परिवर्तित किया जाता है, जिससे टोकन काउंट बढ़ाए बिना पूर्णता सुनिश्चित होती है।

B. जनरेटिव मॉडल: Semantic-Conditioned Diffusion

मुख्य जनरेशन इंजन एक 1D Diffusion Transformer है जो $\Sigma$ -Voxfield टोकन के स्थानीय पड़ोस (local neighborhoods) पर कार्य करता है।

इनपुट: आसन्न वॉक्सेल्स का एक स्थानीय सेट ( $\mathcal{X}_\xi$ ) जिसमें अधिकतम $N_\xi$ टोकन होते हैं।
कंडीशनिंग: मॉडल निम्नलिखित पर आधारित है:
1. सिमेंटिक लेबल्स (Semantic Labels): प्रत्येक वॉक्सेल एक क्लास (जैसे सड़क, इमारत, वनस्पति) से जुड़ा होता है।
2. 3D पोजीशनल एनकोडिंग: वॉक्सेल केंद्रों के साइनुसोइडल एनकोडिंग को जोड़ा जाता है ताकि ट्रांसफार्मर को 3D स्थानिक संरचना का पता चल सके।
प्रक्रिया: मॉडल क्लीन ज्योमेट्री और अपीयरेंस का अनुमान लगाने के लिए स्टैक्ड सरफेस सैंपल्स ( $\psi(v_\Sigma)$ ) को डीनोइज़ करना सीखता है, जिससे $\ell_2$ लॉस को कम किया जाता है।

C. स्केलेबिलिटी: प्रोग्रेसिव स्पेशियल आउटपेंटिंग (Progressive Spatial Outpainting)

मेमोरी विस्फोट के बिना दसियों हजार वर्ग मीटर तक फैले दृश्यों को उत्पन्न करने के लिए:

रणनीति: मॉडल फिक्स्ड-साइज़ के स्थानीय पड़ोसों पर कार्य करता है। बड़े दृश्यों को इटरेटिव स्पेशियल आउटपेंटिंग के माध्यम से संश्लेषित किया जाता है।
तंत्र: Repaint डिफ्यूजन शेड्यूलर का उपयोग करते हुए, सिस्टम पहले से उत्पन्न ओवरलैपिंग पड़ोसों की स्थिति (condition) के आधार पर नए क्षेत्रों को उत्पन्न करता है।
लाभ: यह जनरेशन लागत को कुल दृश्य आकार से अलग करता है। प्रति चरण मेमोरी और कंप्यूट स्थिर रहते हैं, जिससे किसी भी बड़े विस्तार तक रैखिक स्केलिंग संभव होती है।

D. डिफर्ड रेंडरिंग (Deferred Rendering)

रॉ $\Sigma$ -Voxfield ग्रिड एक मोटा अनुमान (coarse approximation) है। फोटोरियलिज्म प्राप्त करने के लिए:

पाइपलाइन: ग्रिड को पहले 2D Gaussian Splatting का उपयोग करके 2D बफर ( $I_\Sigma$ ) में रेंडर किया जाता है।
रिफाइनमेंट: एक डिफर्ड रेंडरिंग मॉड्यूल (Stable Diffusion पर आधारित) $I_\Sigma$ को 3D बफर इनपुट के रूप में लेता है और अंतिम हाई-फिडेलिटी इमेज ( $I_{DR}$ ) उत्पन्न करता है।
निरंतरता: वीडियो अनुक्रमों में टेम्पोरल कोहेरेंस सुनिश्चित करने के लिए, लेखक या तो ऑटो-रिग्रेसिव स्टेबल डिफ्यूजन (ASD) (पिछले फ्रेम पर कंडीशनिंग) या वीडियो स्टेबल डिफ्यूजन (VSD) (12 फ्रेम को एक साथ उत्पन्न करना) का उपयोग करते हैं।
स्काई/बैकग्राउंड: एक विजिबिलिटी मास्क का उपयोग यह सुनिश्चित करने के लिए किया जाता है कि मॉडल उन क्षेत्रों में ज्योमेट्री को भ्रमित (hallucinate) न करे जो 3D बफर द्वारा कवर नहीं किए गए हैं (जैसे आकाश, दूर का बैकग्राउंड)।

3. मुख्य योगदान (Key Contributions)

$\Sigma$ -Voxfield Representation: एक नवीन, फिक्स्ड-कार्डिनैलिटी डिस्क्रीट सरफेस एप्रोक्सिमेशन जो स्थानीय ज्योमेट्री और फोटोमेट्री को संयुक्त रूप से एनकोड करता है, जो 3D जनरेटिव मॉडलिंग के लिए अनुकूलित है।
Semantic-Conditioned 3D Diffusion: एक ट्रांसफार्मर-आधारित डिफ्यूजन मॉडल जो सिमेंटिक और पोजीशनल कंडीशनिंग के साथ सीधे 3D सरफेस टोकन पर कार्य करता है, जिससे 2D-to-3D डिस्टिलेशन की आवश्यकता समाप्त हो जाती है।
Scalable Outpainting: एक प्रोग्रेसिव जनरेशन रणनीति जो प्रति-चरण स्थिर कम्प्यूटेशनल लागत के साथ विशाल शहरी दृश्यों (जैसे $\approx 100,000 \text{ m}^2$ ) के संश्लेषण को सक्षम बनाती है।
Per-Scene Optimization-Free Rendering: एक युग्मित (coupled) डिफर्ड रेंडरिंग पाइपलाइन जो प्रति-दृश्य NeRF या 3DGS प्रशिक्षण की भारी लागत के बिना फोटोरियलिस्टिक, मल्टी-व्यू कंसिस्टेंट इमेज बनाती है।

4. प्रयोगात्मक परिणाम (Experimental Results)

इस पद्धति का मूल्यांकन Waymo Open Dataset (WOD) और PandaSet पर किया गया।

गुणात्मक प्रदर्शन (Qualitative Performance):
- उत्पन्न दृश्य सिमेंटिक प्रायर (सड़क टोपोलॉजी, बिल्डिंग लेआउट) का कड़ाई से पालन करते हैं।
- कैमरा प्रक्षेप पथों में मजबूत मल्टी-व्यू निरंतरता प्रदर्शित करते हैं, जो InfiniCube और GEN3C जैसे प्रतिस्पर्धियों से बेहतर है, विशेष रूप से साइड-कैमरा व्यू में जहाँ अन्य विधियाँ अक्सर खराब हो जाती हैं।
- यह वैश्विक सामंजस्य बनाए रखते हुए सिमेंटिक एडिटिंग (जैसे कारों को हटाना/जोड़ना) और इनपेंटिंग (मास्क किए गए क्षेत्रों को भरना) का समर्थन करता है।
मात्रात्मक प्रदर्शन (Quantitative Performance):
- इमेज क्वालिटी: देखे गए व्यूज़ पर प्रतिस्पर्धी FID और KID स्कोर प्राप्त करता है और नोवेल व्यूज़ (शिफ्टेड कैमरा पोसेस) पर अन्य बेसलाइन्स से काफी बेहतर प्रदर्शन करता है, जो बेहतर ज्यामितीय निरंतरता को सिद्ध करता है।
- दक्षता (Efficiency):
  - VRAM उपयोग: केवल 8 GB VRAM की आवश्यकता होती है, जबकि GEN3C (43 GB) और InfiniCube (75 GB) की तुलना में यह बहुत कम है।
  - रनटाइम: एक बड़े दृश्य को $\approx 20$ मिनट में उत्पन्न करता है, जो प्रतिस्पर्धियों के समान है लेकिन मेमोरी फुटप्रिंट का एक छोटा हिस्सा है।
एब्लेशन स्टडीज (Ablation Studies): पुष्टि की गई कि सिमेंटिक कंडीशनिंग और वॉक्सेल्स के भीतर पॉइंट ऑर्डरिंग दोनों ही प्रदर्शन के लिए महत्वपूर्ण हैं; इन्हें हटाने से ज्यामितीय शुद्धता (Chamfer Distance और MMD द्वारा मापी गई) कम हो जाती है।

5. महत्व और प्रभाव (Significance and Impact)

SEM-ROVER "2D मॉडल्स को 3D में डिस्टिल करने" से हटकर नेटिव 3D जनरेशन की ओर बढ़ते हुए 3D सीन जनरेशन में एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है।

स्केलेबिलिटी: यह बड़े पैमाने के 3D जनरेशन की मेमोरी बाधा को हल करता है, जिससे छोटे पैच या ऑब्जेक्ट-सेंट्रिक दृश्यों के बजाय पूरे शहर के ब्लॉक बनाने में सक्षम बनाता है।
संपादन क्षमता (Editability): $\Sigma$ -Voxfield ग्रिड की स्पष्ट और संरचित प्रकृति सटीक सिमेंटिक एडिटिंग और सीन मैनिपुलेशन की अनुमति देती है, जो इम्प्लिसिट या विशुद्ध रूप से इमेज-आधारित विधियों के लिए कठिन है।
अनुप्रयोग: यह ढांचा स्वायत्त ड्राइविंग सिमुलेशन के लिए अत्यधिक प्रासंगिक है, जो धारणा (perception) और प्लानिंग एल्गोरिदम के लिए विविध, फोटोरियलिस्टिक और ज्यामितीय रूप से सुसंगत प्रशिक्षण डेटा उत्पन्न करने का एक लागत प्रभावी तरीका प्रदान करता है।

सीमाएँ (Limitations): वर्तमान विधि स्थिर दृश्यों पर केंद्रित है और अभी तक गतिशील तत्वों (चलते हुए वाहनों, पैदल यात्रियों) या टेम्पोरल विकास को स्पष्ट रूप से मॉडल नहीं करती है। इसके अतिरिक्त, सूक्ष्म अपीयरेंस एट्रिब्यूट्स (टेक्सचर स्टाइल, लाइटिंग) पर नियंत्रण सिमेंटिक कंडीशनिंग तक ही सीमित है।