💻 computer science

Contrastive-Augmented Flow Matching for Style-Content Disentanglement

यह शोध पत्र कॉन्ट्रास्टिव-ऑगमेंटेड फ्लो मैचिंग (CAtFM) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो फ्लो मैचिंग में कॉन्ट्रास्टिव रेगुलराइजेशन को एकीकृत करता है ताकि सख्त फैक्टराइज्ड रिप्रेजेंटेशन की आवश्यकता के बिना प्रेडिक्टेड एंडपॉइंट्स पर सिमेंटिक कंसिस्टेंसी लागू करके रोबस्ट कंटेंट-स्टाइल डिसेंटैंगलमेंट प्राप्त किया जा सके।

मूल लेखक: Yusong Li, Pingchuan Ma, Ming Gui, Vincent Tao Hu, Björn Ommer

प्रकाशित 2026-07-15

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yusong Li, Pingchuan Ma, Ming Gui, Vincent Tao Hu, Björn Ommer

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 आपके पास एक जादुई ब्लेंडर है जो दो बहुत अलग सामग्रियों को मिला सकता है: एक तस्वीर की सामग्री (content) (जैसे एक कुत्ता, एक कार, या एक पहाड़) और एक तस्वीर की शैली (style) (जैसे वैन गॉग की पेंटिंग, एक स्केच, या एक फोटो)।

लंबे समय तक, वैज्ञानिकों ने एक ऐसा ब्लेंडर बनाने की कोशिश की जो इन दो सामग्रियों को पूरी तरह से अलग कर सके: यदि आप उन्हें "वैन गॉग की शैली में एक कुत्ता" वाली तस्वीर देते हैं, तो वे चाहते थे कि मशीन अलग से एक शुद्ध "कुत्ता" और एक शुद्ध "वैन गॉग शैली" बाहर निकाले, ताकि आप कुत्ते को किसी अन्य शैली के साथ बाद में मिला सकें।

लेकिन यहाँ एक समस्या थी: पहले के ब्लेंडर थोड़े गंदे थे। वे एक ऐसे ब्लेंडर की तरह थे जिसने बैचों के बीच अपना कटोरा पूरी तरह साफ नहीं किया। जब आप "कुत्ते" के लिए कहते, तो आपको कुत्ता तो मिलता, लेकिन उस पर थोड़ा सा "वैन गॉग" भी चिपका रह जाता। जब आप "शैली" के लिए कहते, तो आपको पेंट के स्ट्रोक मिलते, लेकिन उनके अंदर कुत्ते का आकार भी फंसा हुआ रहता। पेपर इसे "एंटैंगलमेंट" (entanglement) कहता है, और यह एक स्मूदी को स्ट्रॉबेरी और केले से अलग करने की कोशिश करने जैसा है बिना अपने हाथों पर रस लगाए।

पुराने तरीके पूरी तरह काम नहीं करते थे

शोधकर्ताओं ने इस समस्या को ठीक करने के लिए लोगों द्वारा अपनाए गए दो मुख्य तरीकों को देखा:

"सख्त शिक्षक" (विभेदक विधियाँ - Discriminative Methods): यह दृष्टिकोण एक सख्त शिक्षक की तरह है जो कहता है, "यदि यह एक कुत्ता है, तो इसे बिल्कुल कुत्ते जैसा दिखना चाहिए, और यदि यह एक शैली है, तो इसे बिल्कुल एक शैली जैसा दिखना चाहिए।" शिक्षक चीजों को साफ-सुथरी श्रेणियों में छांटने में माहिर है। लेकिन शिक्षक वास्तव में नई तस्वीरें बना नहीं सकता। वे केवल जो पहले से मौजूद है उसे छांट सकते हैं। यदि आप उन्हें एक ऐसी नई शैली के साथ मिलाने के लिए कहते हैं जिसे उन्होंने पहले कभी नहीं देखा, तो वे भ्रमित हो जाते हैं क्योंकि वे केवल छांटना जानते हैं, बनाना नहीं।
"स्वप्नद्रष्टा" (जनरेटिव विधियाँ - Generative Methods): यह दृष्टिकोण एक स्वप्नद्रष्टा की तरह है जो तस्वीर को शुरुआत से फिर से बनाने की कोशिश करता है। वे नई तस्वीरें बनाने में माहिर हैं, लेकिन उनके पास कोई सख्त शिक्षक नहीं है जो उन्हें बता सके कि उन्होंने सामग्री को बहुत अधिक मिला दिया है। जैसा कि पेपर उनके प्रयोगों में दिखाता है (विशेष रूप से SCFlow नामक मॉडल को देखते हुए), ये स्वप्नद्रष्टा अक्सर "कुत्ते" को "शैली" में और इसके विपरीत लीक होने देते हैं। वे सुंदर चित्र बनाते हैं, लेकिन छिपी हुई सामग्रियां अभी भी आपस में मिली हुई होती हैं।

नया समाधान: CAtFM

लेखकों ने, युसोंग ली और उनकी टीम के नेतृत्व में, एक नई विधि बनाई जिसे CAtFM (कॉन्ट्रास्टिव-ऑगमेंटेड फ्लो मैचिंग) कहा जाता है।

CAtFM को एक सुपर-स्मार्ट ब्लेंडर के रूप में सोचें जिसमें एक इन-बिल्ट "स्वाद चखने वाला" (taste tester) लगा है।

यह कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए:
कल्पना कीजिए कि आप आपस में चिपके हुए लाल और नीले कंचों (marbles) के ढेर को अलग करने की कोशिश कर रहे हैं।

फ्लो (The Flow): मशीन एक विशेष ट्रैक (जिसे "फ्लो मैचिंग" कहा जाता है) का उपयोग करती है ताकि कंचों को एक मिश्रित ढेर से दो अलग-अलग डिब्बों में खिसकाया जा सके। यह एक सुचारू, नियत पथ (deterministic path) है, जैसे पटरी पर चलती ट्रेन।
स्वाद चखने वाला (Contrastive Learning): पुराने ट्रेन ट्रैक के साथ समस्या यह थी कि कंचे कभी-कभी गलत डिब्बे में फंस जाते थे। CAtFM लाइन के अंत में एक "स्वाद चखने वाला" जोड़ता है। हर बार जब एक कंचा एक डिब्बे में गिरता है, तो टेस्टर चेक करता है: "क्या यह लाल कंचा अन्य लाल कंचों जैसा दिखता है? क्या यह नीले वाले से बिल्कुल अलग है?"
जादू: यदि लाल कंचा नीले कंचे जैसा बहुत अधिक दिखता है, तो टेस्टर एक हल्का सा धक्का (एक "कॉन्ट्रास्टिव लॉस") देता है ताकि उसे वापस धकेला जा सके। यह केवल अनुमान नहीं लगाता; यह सक्रिय रूप से लाल कंचों को एक साथ रहने और नीले कंचों को अलग रहने के लिए मजबूर करता है।

पेपर सुझाव देता है कि इस सुचारू ट्रेन ट्रैक में इस "स्वाद चखने वाले" को जोड़कर, मशीन सामग्रियों को पहले की तुलना में बहुत बेहतर तरीके से अलग करना सीख जाती है।

उन्होंने क्या पाया

शोधकर्ताओं ने इस नए ब्लेंडर का परीक्षण विभिन्न डेटासेट्स पर किया, जिसमें सिंथेटिक डेटा (बनाया गया चित्र), वास्तविक दुनिया की कला (जैसे WikiArt), और प्रसिद्ध फोटो डेटासेट्स (जैसे ImageNet) शामिल हैं।

परिणाम: पेपर रिपोर्ट करता है कि CAtFM ने पिछले सर्वोत्तम तरीकों की तुलना में सामग्री और शैली को अलग करने में बेहतर काम किया। उदाहरण के लिए, जब उन्होंने यह परीक्षण किया कि मशीन एक नई तस्वीर में सही "शैली" को कितनी अच्छी तरह ढूंढ सकती है, तो CAtFM को स्टाइल सटीकता के लिए 0.8908 का स्कोर मिला, जबकि पुराने स्वप्नद्रष्टा (SCFlow) को केवल 0.6016 मिला।
"लीकेज" का समाधान: उनके विजुअल टेस्ट में, पुराना ब्लेंडर (SCFlow) कभी-कभी "शैली" आउटपुट के अंदर कुत्ते का आकार छोड़ देता था। हालाँकि, CAtFM ने ऐसे स्टाइल आउटपुट बनाए जो बिना कुत्ते के आकार के लीक हुए, शुद्ध पेंट स्ट्रोक्स की तरह दिखते थे।
"नई चीजों" का टेस्ट: उन्होंने यह भी परीक्षण किया कि क्या मशीन उन शैलियों को संभाल सकती है जिन्हें उसने पहले नहीं देखा है (जैसे 14 नई कला शैलियाँ जिन पर उसने प्रशिक्षण नहीं लिया था)। CAtFM बिना भ्रमित हुए इन नई शैलियों को पहचानने में बहुत बेहतर था। "स्नैपिंग रेट" (कितनी बार उसने गलत तरीके से एक नई शैली को पुरानी शैली मान लिया) 16.29 था, जो SCFlow के 23.14 की तुलना में बहुत कम (बेहतर) है।

वे क्या दावा नहीं करते हैं

यह जानना महत्वपूर्ण है कि यह पेपर क्या नहीं कहता है।

वे यह दावा नहीं करते कि यह AI की हर समस्या को हल करने वाला जादुई डंडा है।
वे यह नहीं कहते कि उनके पास किसी भी संभव चित्र के हर कारक को अलग करने का एक पूर्ण तरीका है।
वे स्पष्ट रूप से कहते हैं कि उनका वर्तमान मॉडल एक "फ्रोजन एम्बेडिंग स्पेस" (तस्वीरों का एक विशिष्ट डिजिटल प्रतिनिधित्व) में काम करता है, न कि सीधे फोटो के कच्चे पिक्सेल (raw pixels) पर। इसका मतलब है कि आप अभी केवल इसे फोटो एडिट करने के लिए कैमरा ऐप में नहीं लगा सकते। पेपर सुझाव देता है कि इसे कच्चे पिक्सेल या हाई-रिज़ॉल्यूशन छवियों के साथ काम करने के लिए विस्तारित करना भविष्य के लिए एक "अगला कदम" है, न कि वह जो उन्होंने अभी तक किया है।

निचोड़ (The Bottom Line)

पेपर सुझाव देता है कि "फ्लो मैचिंग" के सुचारू, रचनात्मक पथ को "कॉन्ट्रास्टिव लर्निंग" की सख्त, छांटने वाली शक्ति के साथ जोड़कर, उन्होंने एक ऐसी प्रणाली बनाई है जो पहले की तुलना में सामग्री और शैली को बहुत अधिक सफाई से अलग करती है। यह एक स्वप्नद्रष्टा को अपनी सामग्रियों को शुद्ध रखने में मदद करने के लिए एक सख्त शिक्षक देने जैसा है। परिणाम बताते हैं कि यह मिश्रण अधिक साफ, विश्वसनीय अलगाव की ओर ले जाता है, खासकर जब मशीन सामग्री और शैली के नए, अनदेखे संयोजनों का सामना करती है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण जनरेटिव मॉडल्स को अधिक मजबूत बनाने और उनकी सामग्रियों को आपस में मिलने से रोकने का एक "सरल तरीका" प्रदान करता है, लेकिन वे स्वीकार करते हैं कि वास्तविक, हाई-डेफिनिशन फोटो पर सीधे काम करने के लिए अभी भी काम करना बाकी है।

तकनीकी सारांश: स्टाइल-कंटेंट डिसेंटैंगलमेंट के लिए कॉन्ट्रास्टिव-ऑगमेंटेड फ्लो मैचिंग

समस्या विवरण
ऐसी रिप्रजेंटेशन सीखना जो कंटेंट और स्टाइल को प्रभावी ढंग से अलग कर सके, कंट्रोलेबल जनरेशन और कंपोजिशनल जनरलाइजेशन के लिए मौलिक है। हालांकि, मौजूदा दृष्टिकोण एक द्वंद्व का सामना करते हैं:

डिस्क्रिमिनेटिव विधियाँ (जैसे, कॉन्ट्रास्टिव लर्निंग) फीचर सेपरेबिलिटी और डिसीजन बाउंड्रीज़ को ऑप्टिमाइज़ करती हैं, लेकिन आमतौर पर केवल कंडीशनल डिस्ट्रीब्यूशन $P(y|x)$ को मॉडल करती हैं। परिणामस्वरूप, वे नए फैक्टर संयोजनों के लिए कंपोजिशनल जनरलाइजेशन करने में संघर्ष करती हैं और ऐसे सैंपल्स जेनरेट नहीं कर पातीं जो अंतर्निहित डेटा स्ट्रक्चर के अनुरूप हों।
जेनरेटिव विधियाँ (जैसे, डिफ्यूजन और फ्लो-बेस्ड मॉडल जैसे SCFlow) कंट्रोलेबल सिंथेसिस और इनवर्टिबल ट्रांसपोर्ट को सक्षम बनाती हैं, लेकिन अक्सर स्पष्ट रूप से डिसेंटैंगल्ड लेटेंट वेरिएबल्स की कमी होती है। मुख्य रूप से जेनरेटिव ऑब्जेक्टिव्स के साथ प्रशिक्षित, ये मॉडल "अनकन्स्ट्रेंड डिसेंटैंगलमेंट" प्रदर्शित करते हैं, जहाँ कंटेंट और स्टाइल रिप्रजेंटेशन एक-दूसरे में लीक हो जाते हैं, जिससे सिमेंटिकली मिसअलाइन्ड या अधूरे फैक्टर्स प्राप्त होते हैं। यह सीमा विशेष रूप से परिचित फैक्टर्स के अनदेखे संयोजनों को संभालने के दौरान स्पष्ट होती है।

कार्यप्रणाली: CAtFM
लेखक कॉन्ट्रास्टिव-ऑगमेंटेड फ्लो मैचिंग (CAtFM) प्रस्तावित करते हैं, जो एक इनवर्टिबल फ्लो मैचिंग फॉर्मूलेशन में कॉन्ट्रास्टिव रेगुलराइजेशन को एकीकृत करता है। मुख्य नवाचार इंटरमीडिएट लेटेंट्स या वेलोसिटी फील्ड्स के बजाय प्रेडिक्टेड एंडपॉइंट्स पर कॉन्ट्रास्टिव सुपरविजन लागू करना है।

फ्लो मैचिंग फाउंडेशन: CAtFM, SCFlow पर आधारित है, जो स्टाइल-कंटेंट ब्लेंडिंग और डिसेंटैंगलमेंट को एक डिसेंटैंगल्ड सोर्स डिस्ट्रीब्यूशन $p_0(x)$ और एक मर्ज्ड टारगेट डिस्ट्रीब्यूशन $p_1(x)$ के बीच एक डिटर्मिनिस्टिक ट्रांसपोर्ट समस्या के रूप में मॉडल करता है। मॉडल एक ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) के माध्यम से सैंपल्स को ट्रांसपोर्ट करने के लिए एक वेलोसिटी फील्ड $v_\theta(x_t, t)$ सीखता है।
एंडपॉइंट कंस्ट्रक्शन: चूंकि ग्राउंड-ट्रुथ प्योर कंटेंट और स्टाइल फैक्टर्स उपलब्ध नहीं होते हैं, इसलिए यह विधि कंटेंट-स्टाइल रेफरेंस पेयर्स का उपयोग करके ट्रेनिंग ट्रिपलेट्स का निर्माण करती है। सोर्स एंडपॉइंट $x_0$ को एक कंटेंट रेफरेंस (रैंडम स्टाइल के साथ) और एक स्टाइल रेफरेंस (रैंडम कंटेंट के साथ) को कॉन्कैटिनेट करके बनाया जाता है। टारगेट एंडपॉइंट $x_1$ मर्ज की गई इमेज (या उसके एम्बेडिंग) को है।
बाइडायरेक्शनल एंडपॉइंट प्रेडिक्शन: स्टैंडर्ड फ्लो मैचिंग के विपरीत, जो वेलोसिटी प्रेडिक्ट करता है, CAtFM सिंगल स्टेप में दोनों सोर्स ( $\hat{x}_0$ $\overset{x}{^}_{0}$ ) और टारगेट ( $\hat{x}_1$ $\overset{x}{^}_{1}$ ) एंडपॉइंट्स को रीकंस्ट्रक्ट करने के लिए सीखे गए वेलोसिटी फील्ड का उपयोग करता है:
- $\hat{x}_0 = x_t - t \cdot v_\theta(x_t, t)$
- $\hat{x}_1 = x_t + (1-t) \cdot v_\theta(x_t, t)$
कॉन्ट्रास्टिव रेगुलराइजेशन: कॉन्ट्रास्टिव ऑब्जेक्टिव्स सीधे इन रीकंस्ट्रक्टेड रिप्रजेंटेशन्स पर लागू किए जाते हैं। कॉन्कैटिनेटेड प्रेडिक्शन को कंटेंट और स्टाइल के दो हिस्सों में विभाजित किया जाता है। अपने संबंधित लेबल्स का उपयोग करके कंटेंट और स्टाइल कंपोनेंट्स पर स्वतंत्र रूप से इन-बैच कॉन्ट्रास्टिव लॉसेस (जैसे, InfoNCE, मार्जिन लॉस) लागू किए जाते हैं। यह यह सुनिश्चित करता है कि स्ट्रिक्टली प्योर या पूरी तरह से फैक्टराइज्ड रिप्रजेंटेशन का अनुमान लगाए बिना इंट्रा-फैक्टर कॉम्पैक्टनेस और इंटर-फैक्टर सेपरेशन बना रहे।
ट्रेनिंग ऑब्जेक्टिव: कुल लॉस स्टैंडर्ड फ्लो मैचिंग लॉस ( $\mathcal{L}_{FM}$ ) को कॉन्ट्रास्टिव लॉस ( $\mathcal{L}_{cont}$ ) के साथ जोड़ता है, जिसे एक हाइपरपैरामीटर $\lambda$ द्वारा वेट किया जाता है:
$\mathcal{L}_{total} = \mathcal{L}_{FM} + \lambda \cdot \mathcal{L}_{cont}$

मुख्य योगदान

नवल फॉर्मूलेशन: CAtFM पहला ऐसा फ्रेमवर्क है जो फ्लो मैचिंग पर आधारित स्टाइल-कंटेंट डिसेंटैंगलमेंट के लिए बाइडायरेक्शनल एंडपॉइंट प्रेडिक्शन्स को स्पष्ट लर्निंग सिग्नल के रूप में उपयोग करता है।
एक्सप्लिसिट कंस्ट्रेंट्स के साथ इमप्लिसिट डिसेंटैंगलमेंट: यह विधि SCFlow की इमप्लिसिट, सुपरविजन-लाइट फॉर्मूलेशन (जहाँ डिसेंटैंगलमेंट फ्लो इनवर्टिबिलिटी से उत्पन्न होता है) को बनाए रखती है, जबकि फैक्टर लीकेज को रोकने के लिए स्पष्ट डिस्क्रिमिनेटिव कंस्ट्रेंट्स जोड़ती है।
डिस्ट्रीब्यूशन शिफ्ट के प्रति मजबूती: डिस्क्रिमिनेटिव कंस्ट्रेंट्स को डिटर्मिनिस्टिक ट्रांसपोर्ट के साथ जोड़कर, यह विधि प्योरली जेनरेटिव या डिस्क्रिमिनेटिव बेसलाइन्स की तुलना में मजबूत ओपन-सेट रोबस्टनेस और कंपोजिशनल जनरलाइजेशन प्राप्त करती है।
रिप्रजेंटेशन एग्नोस्टिसिज्म: इस दृष्टिकोण को कई फ्रोजन एम्बेडिंग स्पेस (CLIP, DINO, ALIGN) में मान्य किया गया है, जो यह दर्शाता है कि प्रस्तावित ऑब्जेक्टिव अंडरलाइंग फीचर एक्सट्रैक्टर की परवाह किए बिना स्टाइल डिस्क्रिमिनेशन और कंटेंट फिडेलिटी में सुधार करता है।

प्रायोगिक परिणाम
लेखक सिंथेटिक डेटा, इन-डोमेन अनसीन स्टाइल्स और रियल-वर्ल्ड बेंचमार्क्स (ImageNet, WikiArt, DomainNet, DTD) पर CAtFM का मूल्यांकन करते हैं।

सिमेंटिक करेक्टनेस: CAtFM कंटेंट और स्टाइल दोनों के लिए ज़ीरो-शॉट रिट्रीवल एक्यूरेसी में वैनिला SCFlow और CLIP से बेहतर प्रदर्शन करता है। यह टेक्स्ट डिस्क्रिप्शन के साथ उच्च कोसाइन सिमिलैरिटी और फॉरवर्ड जनरेशन के लिए कम FID स्कोर प्राप्त करता है।
डिसेंटैंगलमेंट: क्वांटिटेटिव मेट्रिक्स नॉर्मलाइज्ड म्यूचुअल इंफॉर्मेशन (NMI) और सिलुएट स्कोर में महत्वपूर्ण सुधार दिखाते हैं, जो SCFlow और प्योर डिस्क्रिमिनेटिव बेसलाइन्स की तुलना में लेटेंट स्पेस में कंटेंट और स्टाइल फैक्टर्स के बेहतर क्लस्टरिंग और सेपरेशन का संकेत देते हैं।
जनरलाइजेशन: आउट-ऑफ-डोमेन डेटासेट्स और अनसीन स्टाइल क्लासेस पर, CAtFM रिट्रीवल टास्क (F1 स्कोर) और ओपन-सेट क्लासिफिकेशन (AUOSCR) में बेहतर प्रदर्शन करता है। यह देखे गए क्लासेस को अनसीन क्वेरीज के सामने प्रभावी ढंग से रिजेक्ट करता है, एक ऐसी क्षमता जहाँ प्योर जेनरेटिव मॉडल अक्सर विफल हो जाते हैं।
क्वालिटेटिव एनालिसिस: विजुअल रिजल्ट्स पुष्टि करते हैं कि CAtFM, SCFlow की तुलना में न्यूनतम कंटेंट लीकेज के साथ स्टाइल आउटपुट और व्यापक सिमेंटिक क्यूज़ और सीन कॉन्टेक्स्ट को संरक्षित करने वाले कंटेंट रिप्रजेंटेशन उत्पन्न करता है।

महत्व और दावे
पेपर का दावा है कि CAtFM "डिस्क्रिमिनेटिव कंस्ट्रेंट्स को डिटर्मिनिस्टिक ट्रांसपोर्ट के साथ जोड़ने का एक सरल तरीका" प्रदान करता है। लेखक तर्क देते हैं कि जबकि जेनरेटिव फ्लो मॉडल इनवर्टिबिलिटी के माध्यम से डिसेंटैंगलमेंट के लिए एक मजबूत स्कैफोल्ड प्रदान करते हैं, उन्हें फैक्टर लीकेज से बचने के लिए स्पष्ट कॉन्ट्रास्टिव कंस्ट्रेंट्स से काफी लाभ होता है। यह कार्य प्रदर्शित करता है कि इन प्रतिमानों को एकीकृत करने से ऐसी रिप्रजेंटेशन प्राप्त होती है जो न केवल सिमेंटिकली कंसिस्टेंट और अच्छी तरह से सेपरेटेड है, बल्कि डिस्ट्रीब्यूशन शिफ्ट के तहत मजबूत भी है, जो केवल जेनरेटिव या डिस्क्रिमिनेटिव दृष्टिकोणों का अलग-अलग उपयोग करने की सीमाओं को संबोधित करती है। लेखक नोट करते हैं कि वर्तमान में यह विधि फ्रोजन एम्बेडिंग स्पेस में काम करती है और भविष्य के कार्य इसे VAE/डिफ्यूजन लेटेंट स्पेस के माध्यम से पिक्सेल-लेवल कंट्रोलेबिलिटी तक विस्तारित कर सकते हैं।

पुराने तरीके पूरी तरह काम नहीं करते थे

नया समाधान: CAtFM

उन्होंने क्या पाया

वे क्या दावा नहीं करते हैं

निचोड़ (The Bottom Line)

इसी तरह के और पेपर