A Heritage-Aware Evaluation Framework for Synthetic Training Images of Kizil Grotto Murals

पश्चिमी चीन के शुष्क परिदृश्य के भीतर किज़िल गुफाएं (Kizil Grottoes) स्थित हैं, जो गुफाओं का एक विशाल नेटवर्क है जो कभी प्राचीन रेशम मार्ग (Silk Road) पर एक महत्वपूर्ण पड़ाव हुआ करता था। इन गुफाओं के भीतर, कलाकारों ने हजारों साल पहले पेंटिंग बनाई थी, जिससे ऐसे भित्ति चित्र (murals) निर्मित हुए जो एक विशिष्ट दृश्य भाषा का उपयोग करके बौद्ध जीवन की कहानियाँ सुनाते हैं। ये पेंटिंग्स न केवल सुंदर हैं; वे धार्मिक विश्वास, कलात्मक आदान-प्रदान और प्राचीन शिल्पकारों द्वारा उपयोग की जाने वाली विशिष्ट तकनीकों के ऐतिहासिक रिकॉर्ड भी हैं। हालाँकि, समय और पर्यावरण ने इस पर भारी प्रभाव डाला है। रंग फीके पड़ गए हैं, प्लास्टर में दरारें आ गई हैं, और दीवारों के कई हिस्से ढह गए हैं, जिससे दृश्य वृत्तांत (visual narrative) में अंतराल पैदा हो गया है। उन शोधकर्ताओं के लिए जो इन कलाकृतियों का अध्ययन करना चाहते हैं या उन्हें पुनर्स्थापित करने के लिए कंप्यूटर का उपयोग करना चाहते हैं, यह क्षति एक गंभीर समस्या पैदा करती है: किज़िल शैली के पैटर्न, रंगों और कहानियों को पहचानने के लिए कंप्यूटर को सिखाने हेतु पर्याप्त स्पष्ट और पूर्ण चित्र उपलब्ध नहीं हैं।

इस कमी को दूर करने के लिए, वैज्ञानिक कृत्रिम बुद्धिमत्ता (AI) की ओर मुड़े हैं, विशेष रूप से एक प्रकार की तकनीक जिसे 'जेनरेटिव मॉडल्स' (generative models) कहा जाता है। ये कंप्यूटर प्रोग्राम हैं जो टेक्स्ट विवरण या उदाहरणों के आधार पर शून्य से नए चित्र बनाने में सक्षम हैं। सैद्धांतिक रूप से, ये उपकरण हजारों नए चित्र बना सकते हैं जो किज़िल भित्ति चित्रों की तरह दिखते हों, जिससे बहाली (restoration) सॉफ्टवेयर को प्रशिक्षित करने के लिए आवश्यक विशाल डेटा प्राप्त किया जा सके। लेकिन इसमें एक पेंच है। केवल इसलिए कि एक कंप्यूटर एक पेंटिंग जैसा दिखने वाला चित्र बना सकता है, इसका मतलब यह नहीं है कि वह एक अच्छी पेंटिंग है। एक कृत्रिम चित्र रंगों को सही कर सकता है, लेकिन कहानी को विकृत कर सकता है, या वह किसी आकृति के सामान्य आकार को तो पकड़ सकता है लेकिन उन विशिष्ट सांस्कृतिक प्रतीकों को छोड़ सकता है जो कला को उसका अर्थ देते हैं। यदि शोधकर्ता इन त्रुटिपूर्ण चित्रों को अपने प्रशिक्षण कार्यक्रमों में डालते हैं, तो कंप्यूटर गलत सबक सीख सकता है, जिससे भविष्य के बहाली प्रयासों को नुकसान पहुँच सकता है। चुनौती केवल अधिक चित्र बनाने की नहीं है, बल्कि यह तय करने की है कि कौन से चित्र विरासत के प्रति सच्चे हैं और कौन से केवल डिजिटल शोर (digital noise) हैं।

बीजिंग यूनिवर्सिटी ऑफ पोस्ट्स एंड टेलीकम्युनिकेशंस और किज़िल केव्स रिसर्च इंस्टीट्यूट के शोधकर्ताओं की एक टीम ने ठीक इसी समस्या को हल करने के लिए एक प्रणाली बनाने का निर्णय लिया। उन्होंने किज़िल गुफा भित्ति चित्रों के लिए विशेष रूप से सिंथेटिक छवियों का मूल्यांकन करने का एक नया तरीका विकसित किया, जिसने एक ढांचे के रूप में कार्य किया जो एक कठोर गुणवत्ता नियंत्रण जांच की तरह है। कंप्यूटर से केवल यह पूछने के बजाय कि क्या कोई चित्र "अच्छा" दिखता है, उन्होंने किज़िल कला की अनूठी विशेषताओं को चार विशिष्ट क्षेत्रों में विभाजित किया: सुनाई जाने वाली कहानी, चित्र की व्यवस्था, उपयोग किए गए रंग, और आकृतियों को परिभाषित करने वाली रेखाएँ। फिर उन्होंने प्रत्येक क्षेत्र को एक विशिष्ट महत्व दिया, यह तय करते हुए कि कहानी और सांस्कृतिक अर्थ को सही रखना सबसे महत्वपूर्ण कारक था, जिसके बाद चित्र की रचना (composition), रंगों की सटीकता, और अंत में रेखाओं की सुगमता का स्थान आया।

अपने सिस्टम का परीक्षण करने के लिए, शोधकर्ताओं ने सावधानीपूर्वक तैयार किए गए वास्तविक चित्रों के सेट से शुरुआत की। उन्होंने गुफाओं के एक विशिष्ट कक्ष, 'केव 38' (Cave 38) के 1,479 फोटोग्राफ लिए, जो अपने समृद्ध और अपेक्षाकृत पूर्ण भित्ति चित्रों के लिए जाना जाता है। इन तस्वीरों में से, उन्होंने दरारों और फीकेपन के दृश्य शोर को हटाने के लिए 94 चित्रों को मैन्युअल रूप से पुनर्स्थापित किया, और फिर प्रयोग के लिए "स्वर्ण मानक" (gold standard) के रूप में 24 सर्वश्रेष्ठ चित्रों का चयन किया। इन 24 चित्रों में गैर-मानवीय विषय जैसे जानवर, पौधे और सजावटी वस्तुएं शामिल थीं, जिन्हें मानव चेहरों को उत्पन्न करने की जटिल कठिनाइयों से बचने के लिए चुना गया था। इन 24 संदर्भ चित्रों का उपयोग करते हुए, उन्होंने चार अलग-अलग लोकप्रिय कृत्रिम बुद्धिमत्ता प्रणालियों—स्टेबल डिफ्यूजन (Stable Diffusion), मिडजर्नी (Midjourney), डैली 3 (DALL·E 3), और कैंडिंस्की (Kandinsky)—को नए चित्र बनाने के लिए कहा। उन्होंने प्रत्येक प्रणाली को समान निर्देश दिए, जिसमें उन्हें किज़िल भित्ति चित्रों की शैली में विशिष्ट रूपांकनों (motifs) और रंगों के साथ चित्र बनाने के लिए कहा गया। कुल मिलाकर, इन प्रणालियों ने टीम के मूल्यांकन के लिए 10,000 से अधिक संभावित चित्र तैयार किए।

इस व्यापक स्क्रीनिंग प्रक्रिया के परिणामों ने खुलासा किया कि सांस्कृतिक विरासत के मामले में सभी कृत्रिम बुद्धिमत्ता समान नहीं होती है। शोधकर्ताओं ने पाया कि एक प्रणाली, मिडजर्नी, ने उच्चतम समग्र गुणवत्ता प्रदान की, जिसने कहानी, रचना, रंग और रेखा के संयुक्त पैमाने पर सबसे अच्छा स्कोर किया। हालाँकि, अध्ययन ने दिखाया कि कोई भी एकल प्रणाली हर चीज़ में पूर्ण नहीं थी। जहाँ मिडजर्नी सही कहानियों को पकड़ने और मुख्य विषयों को केंद्र में रखने में उत्कृष्ट थी, वहीं दूसरी प्रणाली, डैली 3, मूल पेंटिंग्स के टेक्सचर और सतही विवरणों को बनाए रखने में बेहतर थी। एक तीसरी प्रणाली, स्टेबल डिफ्यूजन, प्राचीन भित्ति चित्रों में पाए जाने वाले लाल और नीले रंग के विशिष्ट शेड्स से मेल खाने में विशेष रूप से अच्छी थी, जबकि चौथी प्रणाली, कैंडिंस्की, समग्र सांस्कृतिक सटीकता के मामले में सबसे अधिक संघर्ष करती दिखी। टीम ने पाया कि एक क्षेत्र में उच्च स्कोर कभी-कभी दूसरे क्षेत्र की विफलता को छिपा सकता है; उदाहरण के लिए, एक चित्र देखने में बहुत आकर्षक हो सकता है लेकिन सही कहानी बताने में विफल हो सकता है, जिससे वह बहाली मॉडल को प्रशिक्षित करने के लिए बेकार हो जाता है।

शोधकर्ताओं ने निष्कर्ष निकाला कि उनका नया ढांचा सफलतापूर्वक "गेहूं से भूसे को अलग" (separates the wheat from the chaff) करने में सफल रहा है, जो यह पहचानता है कि कौन सी सिंथेटिक छवियां कंप्यूटर को प्रशिक्षित करने के लिए सुरक्षित हैं और किन्हें हटा दिया जाना चाहिए। उन्होंने पाया कि इन प्राचीन भित्ति चित्रों के लिए सबसे महत्वपूर्ण कारक 'सिमेंटिक कंसिस्टेंसी' (semantic consistency) था—यह सुनिश्चित करना कि उत्पन्न चित्र वास्तव में सही सांस्कृतिक प्रतीकों और कहानी के तत्वों को दर्शाता है। इसके बिना, एक सुंदर चित्र भी भ्रामक होता है। यह अध्ययन इस दावे के साथ नहीं आया है कि इसने डिजिटल विरासत की समस्या को हमेशा के लिए हल कर दिया है, न ही यह किसी एक कृत्रिम बुद्धिमत्ता उपकरण को भविष्य के सभी कार्यों के लिए अंतिम विजेता घोषित करता है। इसके बजाय, यह क्यूरेटरों और वैज्ञानिकों के लिए हजारों उत्पन्न छवियों की स्क्रीनिंग करने के लिए एक व्यावहारिक, संरचित विधि प्रदान करता है, यह सुनिश्चित करते हुए कि डिजिटल उपकरणों का उपयोग जो इन प्राचीन खजानों की रक्षा के लिए किया जाता है, मूल कला की अखंडता का सम्मान करने वाले डेटा पर प्रशिक्षित हो। उत्पन्न होने वाले विरूपणों और विचलन को छानकर, यह ढांचा यह सुनिश्चित करने में मदद करता है कि किज़िल गुफाओं का डिजिटल भविष्य उनके अतीत के प्रति वफादार रहे।