वाचनासाठी 3 मिनिटे
जनरेटिव्ह फिल: फोटोतील नको असलेल्या वस्तू हटवून एआय नवीन दृश्य कसे भरतो?
३० सेकंदांत अर्थ
जनरेटिव्ह फिल हे कृत्रिम बुद्धिमत्तेवर आधारित असे साधन आहे जे फोटोतील नको असलेल्या वस्तू हटवून ती पोकळी नैसर्गिक वाटणाऱ्या नव्या घटकांनी भरून काढते. जुन्या क्लोन टूलसारखे तुकडे न चिटकवता, ते पाण्याचे प्रवाह, झाडे किंवा भिंतीच्या विटांचा नैसर्गिक क्रम पुढे चालू ठेवून चित्र पूर्ण करते.
फोटोतील नको असलेल्या वस्तू गायब करणारी डिजिटल जादू
तुम्ही निसर्गाचा किंवा एखाद्या ऐतिहासिक वास्तूचा सुंदर फोटो काढला आहे, पण पार्श्वभूमीत एक कचऱ्याचा डबा किंवा विजेचा खांब आला आहे अशी कल्पना करा. पूर्वी अशा गोष्टी हटवण्यासाठी फोटोशॉपच्या जाणकाराला तासनतास मेहनत करावी लागायची. आज मात्र तुम्ही फोनवर केवळ बोटाने त्या खांबाभोवती गोल करता आणि 'काढून टाका' असे म्हणताच तो खांब गायब होतो. आश्चर्याची गोष्ट म्हणजे, तिथे कोणतीही पांढरी फट पडत नाही, तर त्या खांबामागे असलेले गवत, झाडे किंवा दगडी भिंत हुबेहूब तयार होते. या तंत्रज्ञानाला फोटोतील रिकामी जागा नव्या कल्पकतेने भरणे (जनरेटिव्ह फिल किंवा डिफ्युजन इनपेंटिंग) म्हणतात.
हे काम आजूबाजूचा भाग कॉपी करून चिकटवण्याच्या जुन्या पद्धतीसारखे (कंटेंट-अवेअर फिल) नसते. जुनी पद्धत केवळ शेजारचा पोत उचलून रिकाम्या जागी थापून द्यायची. जनरेटिव्ह मॉडेल मात्र फोटोतील प्रकाश कुठून येतो आहे, जमिनीचा उतार कसा आहे आणि वस्तूचा आकार कसा असावा याचा सखोल विचार करते.
भिंतीवर रंगकाम करणाऱ्या हुशार चित्रकाराची गोष्ट
ही प्रक्रिया समजण्यासाठी एका निष्णात चित्रकाराची कल्पना करा. घराच्या जुन्या भिंतीवर एक मोठा तडा गेला आहे आणि त्यावरील रंग उडाला आहे. एक साधा रंगारी काय करेल? तो बाजारातून कोणताही रंग आणून त्या तड्यावर लेप देईल, ज्यामुळे तो ठिगळ लावल्यासारखा वेगळा दिसेल.
परंतु हुशार चित्रकार आधी पूर्ण भिंतीकडे बारकाईने पाहतो. तो पाहतो की खिडकीतून दुपारचे कोवळे ऊन कसे येते आहे, भिंतीचा खडबडीतपणा कसा आहे आणि आसपासच्या रंगांच्या छटा कशा बदलत आहेत. तो आपल्या कुंचल्याने अगदी त्याच प्रकारचा रंग आणि पोत तयार करतो. तो तड्याच्या जागी असे चित्र रेखाटतो की मूळ भिंत आणि नवीन रंगकाम यातील फरक साध्या डोळ्यांनी पकडणे अशक्य होते.
अस्पष्ट डिजिटल धुळीतून चित्र उभारणारी संगणकीय मॉडेल्स (लेटंट डिफ्युजन मॉडेल्स) अगदी त्या हुशार चित्रकारासारखेच काम करतात. संगणक सुरुवातीला निवडलेल्या भागातील जुने पिक्सेल पुसून टाकतो. त्यानंतर तो चित्रातील कोनांच्या रेषा सरळ जुळवून (पर्स्पेक्टिव्ह लाइन्स) डिजिटल धूळ टप्प्याटप्प्याने स्वच्छ करण्याची क्रिया (इटरेटिव्ह डीनॉईझिंग) राबवतो. चकाकणाऱ्या पृष्ठभागावरील प्रकाशाचे चमचमणे (स्पेक्टक्युलर हायलाइट्स), कॅमेऱ्याच्या पार्श्वभूमीतील सुंदर अंधुकपणा (बोकेह) आणि कॅमेरा सेन्सरचा सूक्ष्म डिजिटल ठसा (सेन्सर नॉईज) तंतोतंत जुळवून तो रिकामी जागा भरून काढतो. इतकेच नव्हे, तर चित्राच्या मूळ चौकटीबाहेर नवीन दृश्य वाढवण्याचे कामही (आउटपेंटिंग) हे मॉडेल सफाईने करू शकते.
दैनंदिन जीवनात हे तंत्रज्ञान कुठे वापरले जाते?
आज स्मार्टफोन आणि संगणकावर हे तंत्रज्ञान अनेक उपयुक्त कामांसाठी वापरले जाते:
- कौटुंबिक फोटोंमधील अडथळे दूर करणे: सुंदर फोटोंमधून अनोळखी व्यक्ती, रस्त्यावरील कुत्रे किंवा नको असलेल्या तारा एका क्लिकवर काढणे.
- जुने आणि फाटलेले फोटो पूर्ववत करणे: घरातील आजी-आजोबांच्या जुन्या ऐतिहासिक छायाचित्रांमधील डाग आणि ओरखडे भरून फोटो नव्यासारखा करणे.
- सोशल मीडियासाठी चित्राचा आकार मोठा करणे: आडवा फोटो उभा करताना बाजूला पडणारी रिकामी जागा निसर्गाच्या सुंदर दृश्यांनी भरून काढणे.
- उत्पादनांच्या व्यावसायिक जाहिराती: साध्या पांढऱ्या पार्श्वभूमीवर काढलेल्या उत्पादनाच्या मागे आकर्षक आणि वास्तववादी डिजिटल देखावा तयार करणे.
वापरताना काय खबरदारी घ्यावी?
हे तंत्रज्ञान अतिशय सोपे असले तरी त्याचा वापर करताना काही गोष्टी लक्षात ठेवणे गरजेचे आहे:
- निवडलेली जागा मर्यादित ठेवा: एकाच वेळी संपूर्ण फोटो बदलण्याऐवजी केवळ नको असलेल्या लहान वस्तूभोवतीच निवड करा, ज्यामुळे मूळ फोटोचा नैसर्गिकपणा टिकून राहतो.
- प्रकाश आणि सावल्या तपासा: एआयने नवीन भरलेल्या भागातील सावली मूळ चित्रातील सूर्याच्या दिशेशी जुळते आहे का याची खात्री करून घ्या.
- कायदेशीर कागदपत्रांमध्ये फेरफार करू नका: सरकारी ओळखपत्रे, बिलांचे पुरावे किंवा अधिकृत कागदपत्रांवर या साधनांचा वापर करणे बेकायदेशीर मानले जाते.
जनरेटिव्ह फिलमुळे सामान्य माणसालाही एखाद्या कसलेल्या कलाकारासारखे फोटो संपादित करण्याचे सामर्थ्य मिळाले आहे. हे साधन योग्य हेतूने आणि जबाबदारीने वापरल्यास आपल्या आठवणी अधिक सुंदर आणि देखण्या ठेवण्यास मोठी मदत होते.
स्रोत
- Generative Fill and Inpainting in Adobe FireflyAdobe
- High-Resolution Image Synthesis with Latent Diffusion ModelsComputer Vision and Pattern Recognition (CVPR)