কেন এআই ইমেজ জেনারেটর হাত ভুল হয়

ডিফিউশন মডেলগুলি কোটি কোটি ইমেজ-ক্যাপশন জোড়া থেকে রিভার্স যোগ করা শব্দ শেখার মাধ্যমে শেখে। তারা স্থানীয় ভিজ্যুয়াল প্যাটার্নগুলিতে খুব ভাল হয়ে ওঠে: ত্বকের গঠন, আলো, একটি হাতের সাধারণ চেহারা। যা তারা কখনই পায় না তা হল একটি সুস্পষ্ট নিয়ম যে একটি হাতের পাঁচটি আঙুল একটি নির্দিষ্ট ক্রমে একটি তালুতে যুক্ত থাকে। বেশ কিছু কারণ হাত শক্ত করে। হাত বেশিরভাগ ফটোর একটি ছোট অংশ নেয়, তাই তারা কয়েক পিক্সেল পায়। Stable Diffusion-এর মতো সুপ্ত বিচ্ছুরণ মডেলগুলিও তৈরি করার আগে প্রতিটি মাত্রায় আটটি ফ্যাক্টর দ্বারা চিত্রগুলিকে সঙ্কুচিত করে, যা একটি হাতকে শুধুমাত্র গুটিকয়েক সুপ্ত কোষ ছেড়ে দিতে পারে। হাতগুলি একটি বিশাল পরিসরে ভঙ্গি করে, বস্তুগুলিকে আঁকড়ে ধরে, একে অপরকে ওভারল্যাপ করে এবং প্রায়শই আংশিকভাবে লুকানো থাকে, তাই প্রশিক্ষণের ডেটা অসম্পূর্ণ দৃশ্যে পূর্ণ। আঙ্গুলগুলি একই রকম দেখায়, তাই 'আঙুল, আঙুল, আঙুল' তৈরি করা একটি মডেল কখন থামতে হবে তা বলার কোনও শক্তিশালী সংকেত নেই৷ ক্যাপশন প্রায় কখনোই হাত উল্লেখ করে না, তাদের ভঙ্গি ছেড়ে দিন, তাই প্রম্পট সামান্য নির্দেশনা দেয়। ফলাফল হল পরিচিত ত্রুটিগুলির একটি সেট: অতিরিক্ত বা অনুপস্থিত আঙ্গুল, ফিউজ করা অঙ্ক, ভুল দিকে থাম্বস, এবং হাতগুলি বস্তু বা অন্য লোকেদের মধ্যে গলে যাচ্ছে। একই কারণে দাঁত, কান এবং গয়না ভুল হয়ে যায়। নতুন সিস্টেম এই ব্যর্থতা হ্রাস করেছে। বৃহত্তর মডেল, উচ্চ প্রশিক্ষণ রেজোলিউশন, ভাল ফিল্টার করা এবং ক্যাপশন করা ডেটা, ট্রান্সফরমার-ভিত্তিক আর্কিটেকচার এবং মানুষের পছন্দের রেটিংগুলিতে সূক্ষ্ম-টিউনিং সবই সাহায্য করেছে। 2023 সালে Midjourney এর সংস্করণ 5 ভাল হাতের জন্য ব্যাপকভাবে উল্লেখ করা হয়েছিল, এবং পরবর্তীতে বেশ কয়েকটি ল্যাবের মডেলগুলি আরও উন্নত হয়েছে। ত্রুটিগুলি অদৃশ্য হয়ে যায়নি, যদিও, বিশেষত জটিল ভঙ্গিতে, ভিড় এবং হাত ধরে থাকা জিনিসগুলিতে। একটি সাধারণ ভুল ধারণা হল যে মডেল 'গণনা করতে পারে না'। এটা বলা আরও সঠিক যে এটি পরিসংখ্যানগতভাবে চেহারা শেখে, এবং সঠিক কাঠামো তখনই আবির্ভূত হয় যখন ডেটা এবং মডেলের ক্ষমতা যথেষ্ট হয়।