Regularized Channel-Attentive Adversarial Learning for Unpaired Image Translation

कल्पना कीजिए कि आप एक मास्टर आर्ट टीचर हैं जो एक छात्र को वैन गॉग की शैली में पेंटिंग करना सिखाने की कोशिश कर रहे हैं, लेकिन आपके पास छात्र के मूल रेखाचित्रों (स्केच) को वैन गॉग की पेंटिंग्स के साथ रखने के लिए कोई उदाहरण नहीं है। आपके पास केवल छात्र के रेखाचित्रों का एक ढेर है और वैन गॉग की उत्कृष्ट कृतियों (मास्टरपीस) का एक अलग ढेर है। यह कंप्यूटर विज्ञान में "अनपेयर्ड इमेज ट्रांसलेशन" (unpaired image translation) की पेचीदा दुनिया है। यह आर्टिफिशियल इंटेलिजेंस की एक शाखा है जहाँ कंप्यूटर यह सीखने की कोशिश करते हैं कि एक प्रकार की छवि को दूसरे प्रकार में कैसे बदला जाए—जैसे कि घोड़े की फोटो को जेब्रा में बदलना, या एक सड़क के मानचित्र को सैटेलाइट दृश्य में बदलना—बिना हर एक तस्वीर के लिए एक सटीक, आमने-सामने के मिलान की आवश्यकता के।

इसे करने के लिए, कंप्यूटर अक्सर एक चतुर खेल का उपयोग करते हैं जिसे "जेनरेटिव एडवरसेरियल नेटवर्क" (या GAN) कहा जाता है। एक जालसाज (जनरेटर) और एक जासूस (डिस्क्रिमिनेटर) के रूप में इसे समझें जो एक कमरे में बंद हैं। जालसाज (जनरेटर) ऐसी नकली छवियां बनाने की कोशिश करता है जो इतनी वास्तविक लगें कि जासूस (डिस्क्रिमिनेटर) उनमें अंतर न कर सके। जासूस नकली छवियों को पहचानने में और भी बेहतर होता जाता है, जो जालसाज को बेहतर बनाने के लिए मजबूर करता है। वे तब तक यह खेल खेलते रहते हैं जब तक कि जालसाज एक उस्ताद न बन जाए। हालाँकि, अतीत में, ये जालसाज अक्सर गलतियाँ करते थे: उनके "जेब्रा" की धारियाँ धुंधली होती थीं, उनके "मानचित्रों" में सड़कें गायब हो जाती थीं, और उनकी पेंटिंग्स किसी धुंधले वॉटरकलर की तरह दिखती थीं। वे शैली को बदलते समय महत्वपूर्ण विवरणों को स्पष्ट रखने में संघर्ष करते थे।

यहीं पर हारबिन नॉर्मल यूनिवर्सिटी के शोधकर्ताओं का एक नया अध्ययन काम आता है। वे इस खेल को खेलने का एक स्मार्ट तरीका प्रस्तावित करते हैं, जिसे वे "CAR-GAN" नामक एक नया सिस्टम कहते हैं। केवल जालसाज और जासूस को पुराने नियमों के अनुसार खेलने देने के बजाय, उन्होंने टीम में तीन विशेष अपग्रेड जोड़े। पहला, उन्होंने जालसाज को "स्मार्ट चश्मा" (जिसे चैनल अटेंशन कहा जाता है) दिया जो उसे शोर को अनदेखा करते हुए केवल सबसे महत्वपूर्ण विवरणों, जैसे कि फर की बनावट या किसी इमारत की रेखाओं पर ध्यान केंद्रित करने में मदद करता है। दूसरा, उन्होंने एक बहुत अधिक अनुभवी जासूस को काम पर रखा है, जिससे जासूस का मस्तिष्क अधिक गहरा और जटिल हो गया है, ताकि वह नकली छवियों में सूक्ष्म से सूक्ष्म खामियों को भी पहचान सके। अंत में, उन्होंने एक "स्मूथनेस नियम" (जिसे टोटल वेरिएशन रेगुलराइजेशन कहा जाता है) जोड़ा जो एक कोमल हाथ की तरह कार्य करता है, जो पेंटिंग के खुरदरे, दानेदार किनारों को बिना तीखी रेखाओं को धुंधला किए, चिकना कर देता है।

इस नए दृष्टिकोण के परिणाम काफी उत्साहजनक हैं। जब शोधकर्ताओं ने अपने सिस्टम का तीन अलग-अलग चुनौतियों पर परीक्षण किया—सड़क के मानचित्रों को सैटेलाइट दृश्यों में बदलना, घोड़ों को जेब्रा में बदलना, और फोटो को वैन गॉग-शैली की पेंटिंग्स में बदलना—तो नए CAR-GAN ने पिछले सर्वोत्तम तरीकों से बेहतर प्रदर्शन किया। उदाहरण के लिए, मैप डेटासेट पर, इसने मानचित्र की विशेषताओं को पहचानने के मामले में 37.3 का स्कोर प्राप्त किया, जिसने अगले सर्वश्रेष्ठ पद्धति को पछाड़ दिया जिसका स्कोर 34.8 था। इसने कम विजुअल ग्लिच (दृश्य दोष) और चिकनी बनावट वाली छवियां भी बनाईं। अध्ययन सुझाव देता है कि इन तीन विशिष्ट अपग्रेडों को जोड़कर, कंप्यूटर बहुत अधिक यथार्थवादी और स्थिर अनुवाद बना सकता है, जिससे उन धुंधले कचरे और अजीब विकृतियों से बचा जा सकता है जो पहले के संस्करणों में बड़ी समस्या थे। हालांकि यह सिस्टम अधिक जटिल होने के कारण प्रशिक्षण में थोड़ा अधिक समय लेता है, लेकिन यह दिखाता है कि AI को बेहतर फोकस, एक पैनी नज़र और एक सहज स्पर्श देने से डिजिटल आर्ट और इमेज ट्रांसफॉर्मेशन की दुनिया में काफी उच्च गुणवत्ता वाले परिणाम प्राप्त किए जा सकते हैं।