💻 computer science

CT-1: Vision-Language-Camera Models Transfer Spatial Reasoning Knowledge to Camera-Controllable Video Generation

यह शोध पत्र CT-1 को प्रस्तुत करता है, जो एक नवीन विजन-लैंग्वेज-कैमरा मॉडल है जो कैमरा-नियंत्रित वीडियो जनरेशन में स्थानिक तर्क (स्पेशियल रीजनिंग) के ज्ञान को स्थानांतरित करने के लिए एक विशेष डेटा पाइपलाइन और वेवलेट-आधारित नियमितीकरण (रेगुलराइजेशन) का लाभ उठाता है, जिससे प्रक्षेपवक्र सटीकता (ट्रैजेक्टरी एक्यूरेसी) और भौतिक रूप से प्रशंसनीय गति संश्लेषण में महत्वपूर्ण सुधार प्राप्त होता है।

मूल लेखक: Haoyu Zhao, Zihao Zhang, Jiaxi Gu, Haoran Chen, Qingping Zheng, Pin Tang, Yeyin Jin, Yuang Zhang, Junqi Cheng, Zenghui Lu, Peng Shu, Zuxuan Wu, Yu-Gang Jiang

प्रकाशित 2026-04-13

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haoyu Zhao, Zihao Zhang, Jiaxi Gu, Haoran Chen, Qingping Zheng, Pin Tang, Yeyin Jin, Yuang Zhang, Junqi Cheng, Zenghui Lu, Peng Shu, Zuxuan Wu, Yu-Gang Jiang

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 फिल्म निर्देशित कर रहे हैं, लेकिन एक भौतिक कैमरा पकड़ने के बजाय, आप एक रोबोट से बात कर रहे हैं जो आपके लिए वीडियो बनाता है। आप कहना चाहते हैं, "कैमरा धीरे-धीरे बिल्ली की आँखों पर ज़ूम करना चाहिए," या "पूरे कमरे को दिखाने के लिए कैमरे को दाईं ओर घुमाते हुए पीछे की ओर उड़ाएं।"

अतीत में, कंप्यूटर को यह बताना एक अंधी पट्टी व्यक्ति को निर्देश देने जैसा था जो एक अलग भाषा बोलता है। या तो आपको अविश्वसनीय रूप से अस्पष्ट होना पड़ता था (जिससे रोबोट गलत अनुमान लगा लेता था) या आपको मैन्युअल रूप से जटिल गणितीय निर्देशांक (coordinates) टाइप करने पड़ते थे (जो उबाऊ और कठिन है)।

मिलिए CT-1 से, एक नया "सुपर-इंटेलिजेंट कैमरा ऑपरेटर" जिसे शोधकर्ताओं द्वारा बनाया गया है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. समस्या: "अंधा" कैमरा

मौजूदा वीडियो जनरेटर प्रतिभाशाली चित्रकारों की तरह हैं जो अद्भुत दृश्य बना सकते हैं, लेकिन वे दृश्य के चारों ओर "कैमरा" कैसे घुमाया जाए, यह नहीं समझते।

यदि आप कहें "ज़ूम इन," तो वे शायद केवल चित्र को बड़ा कर देंगे (जैसे डिजिटल ज़ूम), न कि वास्तव में दृश्य के दृष्टिकोण को आगे बढ़ाएंगे।
यदि आप कहें "पैन राइट," तो वे शायद छवि को बगल में खिसका देंगे, जिससे 3D भ्रम टूट जाएगा।
पुराना तरीका: आपको हर सेकंड के लिए सटीक गणित की गणना मैन्युअल रूप से करनी पड़ती थी। यह कार के हर पहिये के रोटेशन की मैन्युअल गणना करके कार चलाने जैसा था।

2. समाधान: CT-1 (संचालन का "मस्तिष्क")

शोधकर्ताओं ने एक नया मॉडल बनाया है जिसे CT-1 (कैमरा ट्रांसफॉर्मर 1) कहा जाता है। CT-1 को अपने मस्तिष्क और वीडियो जनरेटर के बीच एक स्मार्ट अनुवादक के रूप में समझें।

इसके पास दो आँखें और एक मस्तिष्क है: यह एक संदर्भ छवि (दृश्य) को देखता है और आपके टेक्स्ट निर्देशों (निर्देशक के नोट्स) को पढ़ता है।
यह आपके लिए गणित करता है: आपको निर्देशांक टाइप करने के बजाय, CT-1 यह पता लगाता है कि आपके शब्दों से मेल खाने के लिए कैमरे को 3D स्पेस में वास्तव में कैसे घूमना चाहिए। यह एक ड्रोन पायलट द्वारा रूट उड़ाने की तरह एक सुचारू, यथार्थवादी पथ की भविष्यवाणी करता है।
यह संदर्भ (context) को समझता है: यदि आप कहते हैं "बिल्ली पर ज़ूम इन करें," तो CT-1 जानता है कि बिल्ली छवि के केंद्र में है, इसलिए वह कैमरे को केवल बेतरतीब ढंग से आगे नहीं बढ़ाता, बल्कि बिल्ली की ओर आगे बढ़ाता है।

3. सीक्रेट सॉस: "वेवलेट" (Wavelet) फ़िल्टर

इस पेपर का सबसे शानदार हिस्सा यह है कि उन्होंने मॉडल को सुचारू रूप से हिलना कैसे सिखाया।
कल्पना कीजिए कि आप कागज के एक टुकड़े पर एक रेखा खींच रहे हैं।

"जिटर" (Jitter) की समस्या: कभी-कभी, जब कंप्यूटर एक रेखा खींचने की कोशिश करते हैं, तो वे थोड़ा हिल जाते हैं (जैसे कांपते हाथ)। इससे वीडियो ग्लिच वाला दिखता है।
वेवलेट ट्रिक: शोधकर्ताओं ने एक गणितीय उपकरण का उपयोग किया जिसे वेवलेट ट्रांसफॉर्म कहा जाता है। इसे आंदोलन के लिए "नॉइज़-कैंसलिंग हेडफ़ोन" की तरह समझें।
- यह "बड़ी तस्वीर" की गति (वह सुचारू पथ जो आप चाहते हैं) को "छोटी थरथराहट" (जिटर) से अलग करता है।
- यह मॉडल को बताता है: "सुचारू, बड़ी गतिविधियों को बनाए रखें, लेकिन छोटी, झटकेदार थरथराहट को हटा दें।"
- यह सुनिश्चित करता है कि कैमरा एक पेशेवर ड्रोन ऑपरेटर की तरह फिसले, न कि एक घबराए हुए पर्यटक की तरह।

4. प्रशिक्षण डेटा: "कैमरा जिम"

CT-1 को इतना अच्छा बनाने के लिए, शोधकर्ता मौजूदा वीडियो का उपयोग नहीं कर सकते थे क्योंकि उनके साथ "कैमरा मूवमेंट नोट्स" जुड़े नहीं थे।

उन्होंने एक विशाल नया डेटासेट बनाया जिसे CT-200K कहा जाता है।
एक विशाल जिम की कल्पना करें जहाँ लाखों वीडियो देखे जा रहे हैं। इन एआई (AI) को वीडियो देखने और ठीक से वर्णन करने के लिए प्रशिक्षित किया जाता है कि कैमरा फ्रेम-दर-फ्रेम कैसे चला।
उन्होंने प्रशिक्षण के लिए 47 मिलियन फ्रेम तैयार किए। यह मॉडल को दुनिया के हर संभव कैमरा मूव की लाइब्रेरी देने जैसा है ताकि वह भौतिकी और परिप्रेक्ष्य के नियमों को सीख सके।

5. परिणाम: एक जादुई निर्देशक

जब आप CT-1 को एक वीडियो जनरेटर के साथ जोड़ते हैं:

आप एक तस्वीर अपलोड करते हैं और टाइप करते हैं: "कैमरा शहर के ऊपर से उड़ता है, फिर सड़क में नीचे की ओर गोता लगाता है।"
CT-1 तुरंत एकदम सही उड़ान पथ की गणना करता है।
यह इस पथ को वीडियो जनरेटर को सौंप देता है।
परिणाम एक ऐसा वीडियो होता है जहाँ कैमरा वास्तव में भौतिक रूप से यथार्थवादी तरीके से उड़ता और गोता लगाता है, जो आपके विवरण से पूरी तरह मेल खाता है।

यह क्यों मायने रखता है

इससे पहले, विशिष्ट कैमरा मूव्स के साथ वीडियो बनाना एक हथौड़े से मूर्ति गढ़ने जैसा था—अस्पष्ट और अव्यवस्थित।
CT-1 एक लेजर-गाइडेड छेनी (chisel) देने जैसा है। यह आपकी कल्पना (आप क्या देखना चाहते हैं) और कंप्यूटर के निष्पादन (वीडियो कैसे बनाया जाता है) के बीच के अंतर को पाटता है। यह वीडियो जनरेशन को जादू के बजाय एक कुशल कैमरामैन के साथ बातचीत जैसा महसूस कराता है जो ठीक जानता है कि आपका क्या मतलब है।

संक्षेप में: CT-1 वह स्मार्ट सहायक है जो आपके "निर्देशक के विजन" को एक पूर्ण, सुचारू, 3D कैमरा फ्लाइट पाथ में अनुवादित करता है, ताकि आप अंततः वह वीडियो प्राप्त कर सकें जिसकी आपने कल्पना की थी, बिना गणित में डिग्री की आवश्यकता के।

यहाँ शोध पत्र "CT-1: Vision-Language-Camera Models Transfer Spatial Reasoning Knowledge to Camera-Controllable Video Generation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कैमरा-नियंत्रणीय वीडियो जनरेशन (Camera-controllable video generation) का लक्ष्य लचीले, भौतिक रूप से तर्कसंगत कैमरा आंदोलनों के साथ वीडियो सिंथेसाइज करना है। हालाँकि, मौजूदा दृष्टिकोणों को दो प्राथमिक सीमाओं का सामना करना पड़ता है:

अस्पष्ट अर्थ संबंधी नियंत्रण (Imprecise Semantic Control): उच्च-स्तरीय टेक्स्ट-टू-वीडियो विधियाँ (जैसे, Wan2.2, CogVideoX) अक्सर विशिष्ट कैमरा मोशन निर्देशों का पालन करने में विफल रहती हैं, जिसके परिणामस्वरूप स्थिर शॉट या अनपेक्षित गतिविधियाँ होती हैं।
श्रम-गहन पैरामीटराइजेशन (Labor-Intensive Parameterization): स्पष्ट पैरामीटराइज्ड नियंत्रण विधियों (जैसे, CameraCtrl, MotionCtrl) के लिए कैमरा प्रक्षेपवक्र (trajectory) मापदंडों (एक्स्ट्रा-सेकंड्स/एक्सट्रिंसिक्स) को मैन्युअल रूप से निर्दिष्ट करने की आवश्यकता होती है, जो स्वचालित परिदृश्यों के लिए स्केलेबल नहीं है और उपयोगकर्ता के इरादे के साथ अर्थ संबंधी संरेखण (semantic alignment) का अभाव रखता है।

मूल चुनौती उच्च-स्तरीय उपयोगकर्ता इरादों (टेक्स्ट) और निम्न-स्तरीय कैमरा प्रक्षेपवक्रों (SE(3) पोसेस) के बीच के अंतर को पाटने की है, साथ ही यह सुनिश्चित करना है कि उत्पन्न गति दृश्य संदर्भ (visual scene context) के अनुरूप हो।

2. कार्यप्रणाली: CT-1 फ्रेमवर्क (Methodology: CT-1 Framework)

लेखकों ने CT-1 (Camera Transformer 1) प्रस्तावित किया है, जो एक नवीन विज़न-लैंग्वेज-कैमरा (VLC) मॉडल है। सीधे वीडियो पिक्सेल उत्पन्न करने के बजाय, CT-1 एक "स्पेशियल रीजनिंग इंजन" के रूप में कार्य करता है जो एक संदर्भ छवि (reference image) और एक टेक्स्ट प्रॉम्प्ट से कैमरा प्रक्षेपवक्रों का अनुमान लगाता है, जिन्हें फिर एक वीडियो डिफ्यूजन मॉडल में फीड किया जाता है।

A. आर्किटेक्चर अवलोकन (Architecture Overview)

फ्रेमवर्क तीन मुख्य मॉड्यूल से बना है:

विज़न-लैंग्वेज मॉड्यूल (Vision-Language Module):
- विज़न एनकोडर (Vision Encoder): इनपुट इमेज से सूक्ष्म विवरण और उच्च-स्तरीय अर्थ निकालने के लिए एक डुअल-ब्रांच आर्किटेक्चर (DINOv2 और SigLIP) का उपयोग करता है।
- लैंग्वेज एनकोडर (Language Encoder): टेक्स्ट निर्देशों को प्रोसेस करने के लिए LLaMA-2 का उपयोग करता है।
- फ्यूजन (Fusion): विजुअल टोकन, भाषाई टोकन और एक सीखने योग्य <CAM> (कैमरा-कॉन्टेक्स्ट) टोकन को संयोजित किया जाता है। <CAM> टोकन प्रक्षेपवक्र भविष्यवाणी के लिए कंडीशनिंग सिग्नल के रूप में कार्य करने हेतु विजुअल और भाषाई जानकारी को एकत्रित करता है।
कैमरा ट्रांसफार्मर (डिफ्यूजन ट्रांसफार्मर - DiT):
- एक एकल नियत (deterministic) प्रक्षेपवक्र की भविष्यवाणी करने वाले रिग्रेशन मॉडल के विपरीत, CT-1 एक डिफ्यूजन ट्रांसफार्मर का उपयोग करके संभावित कैमरा प्रक्षेपवक्रों के वितरण (distribution) को मॉडल करता है।
- यह <CAM> टोकन और डिफ्यूजन टाइमस्टेप एम्बेडिंग्स को लेता है और एक प्रक्षेपवक्र अनुक्रम $K_{1:T} \in \mathbb{R}^{T \times C}$ (जहाँ $C$ SE(3) पोस मापदंडों का प्रतिनिधित्व करता है) को डी-नोइज़ (denoise) करता है।
नियंत्रणीय वीडियो जनरेशन (Controllable Video Generation):
- अनुमानित प्रक्षेपवक्र को जनरेशन प्रक्रिया से अलग (decouple) कर दिया जाता है। इसे एक कंट्रोल सिग्नल में परिवर्तित किया जाता है और अंतिम वीडियो को सिंथेसाइज करने के लिए एक डाउनस्ट्रीम वीडियो डिफ्यूजन मॉडल (जैसे, CameraNoise, CameraCtrl) में इंजेक्ट किया जाता है।

B. प्रमुख तकनीकी नवाचार (Key Technical Innovations)

वेवलेट-आधारित रेगुलाइजेशन लॉस (Wavelet-based Regularization Loss - WavReg):
- प्रेरणा (Motivation): कैमरा प्रक्षेपवक्र मल्टी-स्केल संरचनाएं हैं। लो-फ्रीक्वेंसी घटक वैश्विक, सुचारू गति का प्रतिनिधित्व करते हैं, जबकि हाई-फ्रीक्वेंसी घटक तीव्र, स्थानीय विक्षोभ (jitter) को कैप्चर करते हैं।
- तंत्र (Mechanism): लेखक एक अनुमानित प्रक्षेपवक्र पर 1D डिस्क्रीट वेवलेट ट्रांसफॉर्म (DWT) लागू करते हैं। वे एक लॉस फंक्शन पेश करते है जो लो-फ्रीक्वेंसी (ग्लोबल ट्रेंड) और हाई-फ्रीक्वेंसी (डिटेल) दोनों घटकों में त्रुटियों को दंडित करता है, जिसमें भौतिक स्थिरता सुनिश्चित करने के लिए लो-फ्रीक्वेंसी घटकों को उच्च भार (weight) दिया जाता है।
- सूत्र (Formula): $L = L_{diff} + \beta L_{wav}$ , जहाँ $L_{wav}$ फ्रीक्वेंसी स्केल्स के माध्यम से स्मूथनेस और स्ट्रक्चरल फिडेलिटी को लागू करता है।
गैर-विशिष्टता हैंडलिंग (Non-Uniqueness Handling):
- मॉडल इस बात को स्वीकार करता है कि एक एकल टेक्स्ट प्रॉम्प्ट कई वैध प्रक्षेपवक्रों से संबंधित हो सकता है (one-to-many mapping)। एक डिफ्यूजन प्रक्रिया का उपयोग करके, CT-1 इन वैध गतियों के ऊपर एक वितरण (distribution) सीखता है, न कि केवल एक निश्चित बिंदु।

3. डेटासेट: CT-200K (Dataset: CT-200K)

CT-1 को प्रशिक्षित करने के लिए, लेखकों ने CT-200K नामक एक बड़े पैमाने का डेटासेट बनाया है जिसमें 200K+ वीडियो नमूनों में 47 मिलियन से अधिक फ्रेम शामिल हैं।

डेटा क्यूरेशन पाइपलाइन (Data Curation Pipeline):
- सामान्य परिदृश्य (General Scenarios): कैमरा मोशन विवरण और कंटेंट विवरण उत्पन्न करने के लिए Video-VLMs और Image-VLMs का उपयोग किया जाता है। टेक्स्ट और विजुअल कंटेंट के बीच संरेखण सुनिश्चित करने के लिए एक LLM 'हैलुसिनेटेड' मोशन संकेतों को फ़िल्टर करता है।
- रीजनिंग परिदृश्य (Reasoning Scenarios): यह उन एगोसेंट्रिक (egocentric) वीडियो पर केंद्रित है जहाँ वस्तुओं के साथ हेरफेर किया जाता है। पाइपलाइन ऐसे निर्देश उत्पन्न करती है जिनमें स्थानिक तर्क (spatial reasoning) की आवश्यकता होती है (जैसे, "ड्रिल के दाईं ओर टूलबॉक्स को ले जाएं") ताकि मॉडल को वस्तु संबंधों के आधार पर कैमरा मोशन का अनुमान लगाने के लिए मजबूर किया जा सके।
- पोस एस्टीमेशन (Pose Estimation): अनलेबल वीडियो के लिए ग्राउंड-ट्रुथ कैमरा पोसेस का अनुमान लगाने के लिए VGGT मॉडल का उपयोग किया जाता है, जो आवश्यक प्रक्षेपवकी पर्यवेक्षण (trajectory supervision) प्रदान करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन CameraBench100 (CameraBench का एक उपसमुच्चय) और विभिन्न आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) परिदृश्यों पर किया गया।

मात्रात्मक प्रदर्शन (Quantitative Performance):
- सफलता दर (Success Rate): CT-1 ने औसतन 81.6% की सफलता दर हासिल की, जो बेस्ट प्रॉम्प्ट-इनपुट बेसलाइन (Wan2.2) से 25.7% और प्रक्षेपवक्र-इनपुट बेसलाइन से 170% से अधिक बेहतर है।
- वीडियो गुणवत्ता (Video Quality): VBench का उपयोग करते हुए, उत्पन्न वीडियोओं ने उच्च सौंदर्य और इमेजिंग गुणवत्ता (0.709) बनाए रखी, जो स्टेट-ऑफ-द-आर्ट वीडियो जनरेटरों के तुलनीय है, जिससे सिद्ध होता है कि प्रक्षेपवक्र इंजेक्शन विजुअल फिडेलिटी को कम नहीं करता है।
गुणात्मक विश्लेषण (Qualitative Analysis):
- CT-1 जटिल गतियों (जैसे, "पीछे की ओर ट्रैक करते हुए ट्रक को दाईं ओर ले जाना") को सफलतापूर्वक संभालता है जहाँ बेसलाइन मॉडल अक्सर विफल हो जाते हैं या स्थिर शॉट उत्पन्न करते हैं।
- यह मजबूत स्पेशियल रीजनिंग (spatial reasoning) प्रदर्शित करता है, जो निहित संकेतों (जैसे, किसी विशिष्ट वस्तु पर ध्यान केंद्रित करना जिसका उल्लेख टेक्स्ट में किया गया है) के आधार पर कैमरा मूवमेंट का सही अनुमान लगाता है।
एब्लेशन स्टडीज (Ablation Studies):
- स्केलिंग (Scaling): प्रदर्शन मॉडल के आकार के साथ लगातार सुधरता है (Base $\to$ Large $\to$ Huge), जो DiT आर्किटेक्चर की स्केलेबिलिटी को प्रमाणित करता है।
- WavReg: वेवलेट लॉस मानक वेलोसिटी या एक्सीलरेशन रेगुलाइजेशन की तुलना में मोशन स्मूथनेस में काफी सुधार करता है और जिटर (jitter) को कम करता है।
- टोकन डिज़ाइन (Token Design): समर्पित <CAM> टोकन महत्वपूर्ण है; इसे हटाने या पूल्ड फीचर्स का उपयोग करने से प्रदर्शन में काफी गिरावट आती है।

5. प्रमुख योगदान (Key Contributions)

VLC मॉडल प्रतिमान (VLC Model Paradigm): विजुअल ऑब्जर्वेशन और सिमेंटिक इंस्ट्रक्शन पर संयुक्त रूप से तर्क करने वाले एक नए मॉडल क्लास को पेश किया, जो स्थानिक रूप से जागरूक और टेम्पोरल रूप से सुसंगत कैमरा प्रक्षेपवक्रों का अनुमान लगाता है।
CT-1 आर्किटेक्चर (CT-1 Architecture): एक ट्रांसफार्मर-आधारित इंस्टेंशिएशन प्रस्तावित किया जो कैमरा-कॉन्टेक्स्ट टोकन को डिफ्यूजन ट्रांसफार्मर में इंजेक्ट करता है, जिससे कैमरा पोसेस का डिस्ट्रिब्यूशनल मॉडलिंग संभव होता है।
वेवलेट रेगुलाइजेशन (Wavelet Regularization): एक नवीन फ्रीक्वेंसी-डोमेन लॉस (WavReg) विकसित किया जो ग्लोबल मोशन ट्रेंड्स और लोकल स्टेबिलिटी के बीच प्रभावी ढंग से संतुलन बनाता है, जो प्रक्षेपवक्रम जनरेशन में सामान्य जिटर समस्याओं को संबोधित करता है।
CT-200K डेटासेट (CT-200K Dataset): 47M से अधिक फ्रेम वाला एक बड़े पैमाने का क्यूरेटेड डेटासेट बनाया, जो विशेष रूप से सामान्य कैमरा कंट्रोल और जटिल स्पेशियल रीजनिंग परिदृश्यों के प्रशिक्षण के लिए डिज़ाइन किया गया है।
मॉड्यूलर इंटीग्रेशन (Modular Integration): प्रदर्शित किया कि CT-1 को उनके कोर आर्किटेक्चर को बदले बिना विभिन्न मौजूदा वीडियो डिफ्यूजन मॉडल्स (CameraNoise, CameraCtrl, MotionCtrl) के साथ एकीकृत किया जा सकता है।

6. महत्व (Significance)

यह कार्य नियंत्रणीय वीडियो जनरेशन (controllable video generation) की दिशा में एक महत्वपूर्ण कदम है। प्रत्यक्ष टेक्स्ट-टू-वीडियो जनरेशन से टेक्स्ट-टू-ट्रैजेक्टरी-टू-वीडियो की ओर ध्यान केंद्रित करके, CT-1 प्रभावी रूप से मल्टीमॉडल मॉडल्स से स्पेशियल रीजनिंग नॉलेज को जेनेरेटिव मॉडल्स में स्थानांतरित करता है। यह दृष्टिकोण कैमरा कंट्रोल में "हैलुसिनेशन" की समस्या को हल करता है, जिससे सटीक, भौतिक रूप से तर्कसंगत और अर्थ संबंधी रूप से संरेखित कैमरा मूवमेंट संभव होता है। CT-200K डेटासेट और वेवलेट-आधारित रेगुलाइजेशन तकनीक का परिचय भविष्य के 4D वर्ल्ड मॉडलिंग और ऑटोमेटेड वीडियो प्रोडक्शन के लिए एक मजबूत आधार प्रदान करता है।