UniCycleFlow: Bidirectional Unpaired Image Translation with a Shared Rectified Flow

कल्पना कीजिए कि आप एक कुशल अनुवादक हैं, लेकिन आप शब्दों का नहीं, बल्कि पूरी दुनियाओं का अनुवाद करते हैं। आप एक गर्मियों के घास के मैदान की तस्वीर को सर्दियों के बर्फीले परिदृश्य में बदलना चाहते हैं, या एक जेब्रा को घोड़े में बदलना चाहते हैं, बिना कभी भी "पहले और बाद के" चित्रों के किसी भी जोड़े को देखे। यह अनपेयर्ड इमेज ट्रांसलेशन (unpaired image translation) की जंगली सीमा है। अतीत में, कंप्यूटर इस काम में संघर्ष करते थे क्योंकि उन्हें नहीं पता होता था कि कौन सा विशिष्ट ग्रीष्मकालीन फूल कौन सा विशिष्ट शीतकालीन हिमपात (snowflake) बनना चाहिए। वे अक्सर केवल अनुमान लगाते थे, जिसके परिणामस्वरूप धुंधली आकृतियाँ बनती थीं या ऐसी छवियाँ बनती थीं जो अपने मूल आकार को खो देती थीं। इसे ठीक करने के लिए, वैज्ञानिक आमतौर पर कंप्यूटर को "राउंड-ट्रिप" का खेल खेलना सिखाते थे: गर्मियों की फोटो को सर्दियों में बदलें, फिर उसे वापस गर्मियों में बदलने की कोशिश करें। यदि अंतिम परिणाम मूल छवि जैसा दिखता था, तो कंप्यूटर अच्छा काम कर रहा था। लेकिन यह तरीका ऐसा था जैसे यह जांचना कि क्या राउंड-ट्रिप बस यात्रा आपको वापस स्टेशन तक ले आई; यह गारंटी नहीं देता था कि बस ने बीच में एक सुचारू, तार्किक मार्ग लिया है।

यहाँ UniCycleFlow आता है, एक नया दृष्टिकोण जो खेल को बदल देता है क्योंकि यह इमेज ट्रांसलेशन को दो अलग-अलग कार्यों के रूप में नहीं, बल्कि एक एकल, निरंतर यात्रा के रूप में मानता है। दो अलग-अलग अनुवादक बनाने के बजाय (एक गर्मियों-से-सर्दियों के लिए और दूसरा सर्दियों-से-गर्मियों के लिए), यह विधि एक "वेलोसिटी फील्ड" (वेग क्षेत्र) बनाती है—इसे एक सार्वभौमिक पवन मानचित्र (universal wind map) के रूप में समझें जो दोनों दिशाओं में बहता है। यदि आप गर्मियों से सर्दियों की ओर जाना चाहते हैं, तो आप हवा को आगे की ओर बहने देते हैं; यदि आप वापस जाना चाहते हैं, तो आप बस हवा को उल्टा कर देते हैं। इस शोध पत्र का मुख्य निष्कर्ष यह है कि दोनों दिशाओं को इसी एक अदृश्य पवन मानचित्र का पालन करने के लिए मजबूर करके, कंप्यूटर मूल छवि की संरचना को पहले की तुलना में बहुत बेहतर तरीके से सुरक्षित करना सीख जाता है। लेखकों ने दस अलग-अलग अनुवाद कार्यों (जैसे बिल्ली को कुत्ते में बदलना या हवाई मानचित्र को सड़क के दृश्य में बदलना) का परीक्षण करके इसे मापा और पाया कि उनकी विधि ने सबसे स्पष्ट, सबसे यथार्थवादी चित्र बनाए और सबसे कम त्रुटियां कीं, जिससे एक मानक गुणवत्ता परीक्षण जिसे FID कहा जाता है, पर 55.1 का शीर्ष स्कोर प्राप्त किया। उन्होंने यह भी दिखाया कि यदि आप कंप्यूटर को कई छोटे कदमों के बजाय केवल एक बड़ा कदम उठाने के लिए कहते हैं, तो परिणाम फिर भी उत्कृष्ट होता है, जो यह सिद्ध करता है कि पथ अविश्वसनीय रूप से सीधा और कुशल है।

समस्या: "रैंडम पेयरिंग" का जाल

कल्पive करें कि आप एक रोबोट को यह सिखाने की कोशिश कर रहे हैं कि घोड़े की तस्वीर को जेब्रा में कैसे बदला जाए। रोबोट के पास घोड़ों की तस्वीरों का एक बॉक्स है और जेब्रा की तस्वीरों का एक बॉक्स है, लेकिन वे आपस में मेल नहीं खाते हैं। यदि आप बस एक रैंडम घोड़ा और एक रैंडम जेब्रा उठाते हैं और रोबोट को कहते हैं, "इस घोड़े को उस जेब्रा में बदलो," तो रोबोट भ्रमित हो जाता है। वह घोड़े के पैरों को जेब्रा की धारियों में बदलने की कोशिश कर सकता है, या इससे भी बुरा, वह घोड़े के सिर को जेब्रा की पूंछ में बदलने की कोशिश कर सकता है क्योंकि दोनों जानवरों की मुद्रा (pose) अलग-अलग है। रोबोट अंततः "घोड़े को कैसे बदलें" और "एक विशिष्ट मुद्रा को कैसे बदलें" के एक अस्त-व्यस्त मिश्रण को सीख जाता है, जिसके परिणामस्वरूप एक अजीब, विकृत जीव बनता है।

पिछले तरीकों ने दो अलग-अलग रोबोट बनाकर इसे ठीक करने की कोशिश की: एक A से B जाने के लिए, और दूसरा B से A जाने के लिए। वे जांचते थे कि क्या रोबोट A → B → A जा सकता है और मूल छवि के साथ समाप्त हो सकता है। हालांकि इससे मदद मिली, लेकिन यह ऐसा था जैसे यह जांचना कि क्या ड्राइवर वापस शुरुआती बिंदु पर लौट सकता है; इसने यह गारंटी नहीं दी कि ड्राइवर दोनों तरफ से एक ही सड़क पर चला। दो रोबोट पूरी तरह से अलग, टेढ़े-मेढ़े रास्तों पर जा सकते थे जो संयोग से सही स्थानों से शुरू और समाप्त होते थे।

समाधान: एक हवा, दो दिशाएं

इस शोध पत्र के लेखकों ने, UniCycleFlow ने, दो रोबोट बनाना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने एक एकल पवन मानचित्र (एक "वेलोसिटी फील्ड") बनाया जो दोनों दुनियाओं के बीच एक साझा स्थान में मौजूद है।

समय को एक रूलर (पैमाने) के रूप में सोचें। रूलर के बिल्कुल शुरुआत में (समय 0), आपके पास आपकी स्रोत छवि (जैसे एक घोड़ा) है। रूलर के बिल्कुल अंत में (समय 1), आपके पास आपकी लक्षित छवि (जैसे एक जेब्रा) है। "हवा" समय 0 से समय 1 की ओर बहती है।

• घोड़ा → जेब्रा जाने के लिए, आप बस हवा को आगे की ओर बहने देते हैं।
• जेब्रा → घोड़ा जाने के लिए, आप बस हवा को उल्टा कर देते हैं और समय 1 से समय 0 की ओर पीछे की ओर बहते हैं।

चूंकि यह वही पवन मानचित्र है, इसलिए घोड़े को जेब्रा में बदलने के नियम, जेब्रा को वापस घोड़े में बदलने के नियमों के बिल्कुल समान हैं, बस विपरीत दिशा में। यह कंप्यूटर को परिवर्तन के लिए एक एकल, सुसंगत सेट के नियमों को सीखने के लिए मजबूर करता है, न कि दो अलग-अलग, परस्पर विरोधी सेटों को।

जादुई ट्रिक: सही गंतव्य को सीखना

यहाँ पेचीदा हिस्सा है: चूंकि कंप्यूटर के पास मेल खाते जोड़े नहीं हैं, तो उसे कैसे पता चलेगा कि किस विशिष्ट घोड़े को किस विशिष्ट जेब्रा में बदलना चाहिए? यदि वह केवल अनुमान लगाता है, तो वह अभी भी उसी "रैंडम पेयरिंग" की गलती करेगा जिसके बारे में हमने पहले बात की थी।

UniCycleFlow इसे एडवर्सरियल बाउंड्री मैचिंग (adversarial boundary matching) नामक एक चतुर ट्रिक से हल करता है। कंप्यूटर को डेटासेट से एक विशिष्ट घोड़े को एक विशिष्ट जेब्रा से मिलाने के लिए मजबूर करने के बजाय, कंप्यूटर अपना स्वयं का पूर्ण गंतव्य बनाना सीखता है।

1. कंप्यूटर एक घोड़े को देखता है और कहता है, "मैं एक ऐसा जेब्रा बनाऊंगा जो बिल्कुल एक असली जेब्रा की तरह दिखेगा।"
2. वह एक नकली जेब्रा बनाता है।
3. एक "जज" (डिस्क्रिमिनेटर) उस नकली जेब्रा और असली जेब्रा को देखता है। यदि जज उनमें अंतर बता सकता है, तो कंप्यूटर फिर से प्रयास करता है।
4. एक बार जब जज अंतर नहीं कर पाता, तो कंप्यूटर ने उस विशिष्ट घोड़े के लिए अपना "परफेक्ट मैच" ढूंढ लिया है, भले ही वह मूल डेटासेट में न हो।

अब, कंप्यूटर के पास एक स्पष्ट पथ है: घोड़ा → परफेक्ट फेक जेब्रा। वह उनके बीच एक सीधी रेखा खींचता है और उस पथ पर चलने के लिए आवश्यक हवा (वेग) को सीखता है। क्योंकि गंतव्य विशेष रूप से उस स्रोत के लिए बनाया गया था, इसलिए पथ साफ और तार्किक है, जो रैंडम पेयरिंग के भ्रम से बचता है।

यात्रा को सुचारू रखना

केवल शुरुआत और अंत के बिंदुओं को जानना पर्याप्त नहीं है। कंप्यूटर को यह सुनिश्चित करने की आवश्यकता है कि बीच की यात्रा सुचारू हो और वह छवि को अजीब तरह से विकृत न करे। लेखकों ने यह सुनिश्चित करने के लिए तीन सुरक्षा जाल जोड़े कि पथ एकदम सही हो:

1. सेल्फ-फ्लो मैचिंग (Self-Flow Matching): कल्पना करें कि कंप्यूटर पथ पर चल रहा है। वह अपने स्वयं के कदमों की जांच करता है ताकि यह सुनिश्चित हो सके कि हवा सुसंगत महसूस हो। यदि यात्रा के बीच में हवा अचानक दिशा बदल देती है, तो कंप्यूटर खुद को सुधार लेता है। यह सुनिश्चित करता है कि पथ एक सीधी रेखा हो, न कि एक डगमगाता हुआ ढेर।
2. साइकिल क्लोजर (Cycle Closure): यह "राउंड-ट्रिप" जांच है, लेकिन अधिक स्मार्ट। कंप्यूटर घोड़ा → जेब्रा → घोड़ा जाता है और जांचता है कि क्या वह ठीक वहीं समाप्त होता है जहाँ से उसने शुरू किया था। यदि दो कदम एक-दूसरे को पूरी तरह से रद्द नहीं करते हैं, तो कंप्यूटर विंड मैप को ठीक करने के लिए सीखता है ताकि लूप मजबूती से बंद हो सके।
3. रिप्रजेंटेशन पाथ-वेलोसिटी रेगुलराइजेशन (Representation Path-Velocity Regularization): यह सबसे सूक्ष्म जांच है। कभी-कभी, एक छवि ठीक लग सकती है, लेकिन छवि का "अहसास" बीच में बहुत अधिक बदल जाता है। उदाहरण के लिए, फर (fur) की बनावट फिर से तेज होने से पहले बहुत अधिक धुंधली हो सकती है। कंप्यूटर यात्रा के हर छोटे कदम पर छवि को देखने के लिए एक "जमे हुए नेत्र" (एक प्री-ट्रेन्ड एनकोडर) का उपयोग करता है। यह सुनिश्चित करता है कि विशेषताएं (जैसे फर की बनावट या आंख का आकार) धीरे-धीरे और लगातार बदलें, न कि बेतरतीब ढंग से उछलें।

परिणाम: एक स्पष्ट तस्वीर

लेखकों ने दस अलग-अलग अनुवाद कार्यों पर इस नई विधि का परीक्षण किया, जिसमें गर्मियों को सर्दियों में बदलना, घोड़ों को जेब्रा में बदलना और बिल्लियों को कुत्तों में बदलना शामिल है। उन्होंने अपने परिणामों की तुलना कई अन्य प्रसिद्ध तरीकों से की।

परिणाम प्रभावशाली थे। जब कंप्यूटर को छवि को अनुवादित करने के लिए केवल एक एकल कदम (एक "वन-स्टेप इन्फरेंस") लेने की अनुमति दी गई, तो UniCycleFlow ने 10 में से 7 कार्यों में सर्वश्रेष्ठ स्कोर (सबसे कम त्रुटि) प्राप्त किया। सभी दस कार्यों में इसका औसत स्कोर 55.1 था, जो पिछले सर्वश्रेष्ठ तरीके (DCLGAN) से बेहतर था जिसका स्कोर 62.6 था।

इससे भी अधिक आश्चर्यजनक रूप से, यह विधि उतनी ही अच्छी तरह से काम करती है जब कंप्यूटर एक बड़ा कदम लेता है या पांच छोटे कदम लेता है। यह सुझाव देता है कि कंप्यूटर द्वारा सीखा गया पथ इतना सीधा और प्रत्यक्ष है कि उसे वहां तक पहुँचने के लिए छोटे, सतर्क कदम लेने की आवश्यकता नहीं है। वह आत्मविश्वास के साथ स्रोत से लक्ष्य तक छलांग लगा सकता है।

यह क्यों महत्वपूर्ण है

UniCycleFlow दिखाता है कि हमें अनुवाद की प्रत्येक दिशा के लिए जटिल, अलग सिस्टम बनाने की आवश्यकता नहीं है। परिवर्तन को एक एकल, निरंतर यात्रा के रूप में मानकर, जो नियमों के एक सेट द्वारा संचालित होती है, हम अधिक स्पष्ट, अधिक स्थिर परिणाम प्राप्त कर सकते हैं। यह ऐसा ही है जैसे यह महसूस करना कि घर से स्कूल जाने और वापस आने के लिए, आपको दो अलग-अलग मानचित्रों की आवश्यकता नहीं है; आपको बस एक अच्छा मानचित्र और उसे उल्टा चलाने की क्षमता की आवश्यकता है। यह दृष्टिकोण न केवल कंप्यूटिंग शक्ति बचाता है बल्कि यह भी सुनिश्चित करता है कि छवि की "कहानी" सुसंगत बनी रहे, चाहे आप जिस भी दिशा में यात्रा करें।