एआई-जनरेटेड इमेजेज को एचडीआर के साथ रोशन करना

एआई इमेज और वीडियो प्रभावशाली हो सकते हैं, लेकिन वे ‘पेशेवर’-मानक नहीं हैं – एक मुद्दा जिसे एक नए शोध परियोजना के माध्यम से संबोधित किया जा रहा है।

पेशेवर ऑडियो-विजुअल समुदाय में, एआई के प्रभाव के प्रति सबसे आम आपत्तियों में से एक यह है कि वर्तमान में छवि और वीडियो प्रतिकृति के पेशेवर मानकों की कमी है। इनमें से एक उच्च गतिविधि सीमा (एचडीआर) छवियों और वीडियो के साथ काम करने की क्षमता है।

एचडीआर छवियां 19वीं/20वीं शताब्दी की एक फोटोग्राफिक प्रथा के आधुनिक समकक्ष हैं, जिसे ब्रैकेटिंग कहा जाता है, जहां एक ही तस्वीर को कई बार बढ़ती मात्रा में प्रकाश को फिल्म एमुल्शन तक पहुंचने दिया जाता है:

उपर, एक छोटी ब्रैकेटेड श्रृंखला। नीचे, इन तस्वीरों से निकाली गई उच्च गतिविधि सीमा जो एक ही छवि में हो सकती है। स्रोत – एलेक्स वाइज फोटोग्राफी – https://www.alexwisephotography.net/blog/2013/01/12/automatic-exposure-bracketing-aeb-explained/

पारंपरिक फोटोग्राफी में, इसके परिणामस्वरूप कई तस्वीरें होती थीं जिन्हें कुछ विशेषज्ञता और प्रयास के साथ एक ही प्रिंट में रचा जा सकता था जो विभिन्न एक्सपोजर स्तरों के विभिन्न विवरण स्तरों से लाभान्वित होता था। लेकिन यह एक आसान प्रक्रिया नहीं थी।

इन दिनों एक ‘ऑटो-ब्रैकेटेड’ इमेज सीक्वेंस या तो कई छवियों का उत्पादन कर सकता है या एक ही एचडीआर छवि में जोड़ा जा सकता है – जो कि मूल रूप से एक ही छवि में एक्सपोजर की बहुलता है, जिसे एचडीआर-क्षमता वाले इमेज-एडिटिंग एप्लिकेशन जैसे फोटोशॉप द्वारा पुनरावृत्त किया जा सकता है, और फोटोग्राफर को एक आदर्श आउटपुट छवि में उन्हें संगठित करने की अनुमति देता है।

यदि आप सोच रहे हैं कि आपको क्यों परवाह करनी चाहिए, या यह आपकी अपनी फोटोग्राफी पर कैसे प्रभाव डालता है, तो इस लेख के लिए इलस्ट्रेशन का उद्देश्य इसे एक परिचित तरीके से प्रदर्शित करना है:

उपर, बाएं तरफ हम एक मानक एसआरजीबी (अर्थात, गैर-एचडीआर) छवि देखते हैं। बस इसे उज्ज्वल (दाएं) करने से यह नहीं दिखाता है कि अलमारी में दानव क्योंकि यह विवरण फेंक दिया गया था जब फोटोग्राफर, और कैमरे की स्वचालित प्रक्रियाओं ने तय किया कि फोटो में क्या प्राथमिकता दी जानी चाहिए:

नीचे, हमें एक संकेत मिलता है (बाएं) कि पूर्वगामी को कितना ‘धुला हुआ’ होना चाहिए एक्सपोजर के समय अलमारी के दानव को पंजीकृत करने के लिए, और (दाएं) जब एक्सपोजर को अच्छी तरह से प्रकाशित पूर्वगामी विषयों के लिए उपयुक्त बनाया जाता है तो यह कैसे अंधेरे में डूब जाता है:

नीचे, हम देखते हैं कि एचडीआर छवि या छवि श्रृंखला से किस प्रकार का विवरण ‘बचाया’ जा सकता है। इस मामले में, दानव एचडीआर श्रृंखला के बहुत निचले दृश्य रजिस्टर में ‘छिपा’ था, जिसमें शेष सामग्री ‘धुली हुई’ होती (उपर, बाएं)। विभिन्न चमक स्तरों को चुनिंदा रूप से एक ही छवि में व्यक्त करने के लिए विस्तार से, ये विरोधाभासी तत्वों को एक ही तर्कसंगत छवि में रचा जा सकता है:

एक गैर-एचडीआर छवि को प्रदर्शन-संदर्भित छवि के रूप में जाना जाता है, और एक उच्च-गामुट एचडीआर छवि को दृश्य-संदर्भित छवि के रूप में जाना जाता है।

एचडीआर वीडियो भी एक चीज है, और इस प्रकार की टोनल लचीलापन और लचीलापन वास्तव में फिल्म निर्माताओं को फुटेज को बचाने, ग्रेड करने और विभिन्न रचनात्मक और सुसंगत तरीकों से व्याख्या करने के लिए कुछ लत्ता देता है; अप्रत्याशित, तब, कि रचनात्मक लोग एआई के ‘सपाट’ एसआरजीबी आउटपुट के साथ काम करने के लिए अनिच्छुक हैं जो अधिकांश जनरेटिव एआई फ्रेमवर्क की विशेषता है।

एआई में एचडीआर

प्राकृतिक रूप से, शोध दृश्य एआई-जनरेटेड फ्रेमवर्क को एचडीआर युग में लाने में रुचि रखता है। हालांकि, यह एक आसान काम नहीं है, क्योंकि दोनों के लिए प्रसार-आधारित जनरेटिव सिस्टम की मूलभूत वास्तुकला के कारण, और क्योंकि अच्छा एचडीआर डेटा बहुत डिस्क स्थान लेता है, जिससे असुविधाजनक संग्रह हो जाते हैं; परिणामस्वरूप, इस कार्य के लिए उपयुक्त डेटासेट दुर्लभ हैं।

फिर भी, सिंगापुर में एक विश्वविद्यालय और एडोबी रिसर्च के बीच एक सहयोग एचडीआर छवि श्रृंखला का उत्पादन करने का एक तरीका प्रदान कर रहा है, जिसे सैद्धांतिक रूप से वीडियो के साथ-साथ स्थिर छवियों पर भी लागू किया जा सकता है:

नई कार्य के लिए परियोजना साइट से ‘ब्रैकेटेड’ टेक्स्ट-टू-इमेज आउटपुट के उदाहरण। स्रोत – https://github.com/ykdai/LinearGen

नया सिस्टम एक ही छवि के कई संरेखित संस्करणों को विभिन्न चमक स्तरों पर उत्पन्न करता है और सीखता है कि दृश्य वास्तव में कितना उज्ज्वल था, फिर उन्हें एक ही परिणाम में जोड़ता है जो दोनों छाया और हाइलाइट्स में विवरण रखता है, जिससे बाद के संपादन को एक्सपोजर या रंग के रूप में व्यवहार करने की अनुमति मिलती है। एक वास्तविक कैमरा कैप्चर के समान समायोजन, बल्कि एक पूरी तरह से संसाधित छवि में नाजुक समायोजन के बजाय।

सिस्टम कार्य के लिए विभिन्न मॉडलों की विविधता का लाभ उठाता है, जिसमें क्वेन और फ्लक्स के संस्करण शामिल हैं:

<img class="size-full wp-image-414262" src="https://www.unite.ai/wp-content/uploads/2026/04/figure-15.jpg" alt="नई पेपर से उदाहरण, जो दिखाते हैं कि सिस्टम कैसे एक ही दृश्य के कई एक्सपोजर संस्करणों का उत्पादन कर सकता है, जबकि अंतर्निहित संरचना को स्थिर रखता है। एक सरल एज मैप से शुरू करते हुए, मॉडल बहुत ही अंधेरे से बहुत उज्ज्वल सेटिंग्स तक लगातार छवियों का उत्पादन करता है, चाहे प्रॉम्प्ट चंद्रमा की रोशनी, सूरज की रोशनी, सूर्यास्त, या यहां तक कि एक छोटी वस्तु जैसे एक गुब्बारे का वर्णन करता है, जिसमें विषय और संरचना रोशनी के बदलाव के साथ स्थिर रहती है। विधि चमक को एक नियंत्रित, कैमरा-जैसे तरीके से बदल सकती है, नए सामग्री का आविष्कार करने या एक्सपोजर के बदलाव के साथ ड्रिफ्ट करने के बजाय।

लेखक कहते हैं:

‘रेखीय छवियों का उत्पादन करना चुनौतीपूर्ण है, क्योंकि पूर्व-प्रशिक्षित वीएई लेटेंट डिफ्यूजन मॉडल में चरम हाइलाइट्स और छाया दोनों को संरक्षित करने में कठिनाई होती है क्योंकि उच्च गतिविधि सीमा और बिट गहराई के कारण।

‘इस उद्देश्य के लिए, हम एक रेखीय छवि को एक्सपोजर ब्रैकेट्स की एक श्रृंखला के रूप में प्रस्तुत करते हैं, प्रत्येक एक विशिष्ट भाग को पकड़ता है गतिविधि सीमा, और प्रस्तावित एक डिटी-आधारित प्रवाह-मिलान वास्तुकला पाठ-शर्त एक्सपोजर ब्रैकेट जनरेशन के लिए।

‘हम आगे दिखाते हैं कि डाउनस्ट्रीम अनुप्रयोगों में पाठ-निर्देशित रेखीय छवि संपादन और संरचना-सशर्त पीढ़ी शामिल हैं ControlNet के माध्यम से।’

नया काम शीर्षक है एक्सपोजर ब्रैकेट्स को सिंथेसाइज करके रेखीय छवि पीढ़ी, और यह चार लेखकों से आता है जो एस-लैब में नानयांग टेक्नोलॉजिकल यूनिवर्सिटी, एडोब नेक्स्टकैम और एडोब रिसर्च में हैं। उपरोक्त परियोजना पृष्ठ और यूट्यूब वीडियो के अलावा, जो रिलीज के साथ आते हैं, एक (वर्तमान में खाली) गिटहब रेपो भी है, और एक डेटासेट रिलीज का वादा है।

हालांकि लेखक परियोजना पृष्ठ पर प्रणाली के आउटपुट के कई उदाहरण प्रदान करते हैं, दर्शकों को वास्तव में एचडीआर आउटपुट की विशेषताओं को पहचानने के लिए एक एचडीआर-क्षमता वाली मॉनिटर की आवश्यकता होगी। फिर भी, कृपया इस लेख के अंत में शोधकर्ताओं का यूट्यूब अवलोकन एम्बेडेड पाएं – लेकिन ध्यान दें कि गैर-एचडीआर मॉनिटर पर दिखाए गए उदाहरणों के बीच का अंतर स्पष्ट नहीं हो सकता है।

विधि और डेटा

लेखक इस पीछा में डेटा संग्रह की सीमा पर जोर देते हैं:

‘व्यावहारिक रूप से रेखीय छवियों की एक बड़ी संख्या प्राप्त करना बहुत मुश्किल है। इसके अलावा, अधिकांश सार्वजनिक एचडीआर डेटासेट या तो पैनोरमिक (इस प्रकार बड़े पैमाने पर दृश्य सामग्री पर लगभग विशेष रूप से ध्यान केंद्रित करते हैं) या वास्तविक रेखीय छवियों की पेशकश नहीं करते हैं, जो हमारे उद्देश्यों के लिए उन्हें उपयुक्त बनाता है।

‘अतः, हम मुख्य रूप से रॉ इमेज डेटासेट का उपयोग प्रशिक्षण के आधार के रूप में करते हैं।’

शोधकर्ताओं ने हाथ में कुछ विकल्पों का रचनात्मक उपयोग किया, RAISE डेटासेट का उपयोग वास्तविक प्रशिक्षण डेटा के रूप में किया, और MIT-Adobe FiveK डेटासेट का उपयोग मूल्यांकन डेटा* के रूप में किया।

उपयोगी एचडीआर प्रशिक्षण डेटा बनाने के लिए, शोधकर्ताओं ने रॉ कैमरा फ़ाइलों को एक मानकीकृत पाइपलाइन के माध्यम से चलाया, जिससे कैमरा-विशिष्ट खामियों को दूर किया जा सके, छवियों को एक सुसंगत, दृश्य-संदर्भित रेखीय प्रारूप में परिवर्तित किया जा सके:

लेखकों के कार्यप्रवाह के लिए योजना:

इसके लिए पूर्ण आरजीबी को सेंसर डेटा से पुनर्निर्माण करना, रंग सुधार लागू करना, सफेद संतुलन को सामान्य करना, और एक संज्ञानात्मक रंग स्थान में प्रवेश करने से पहले शोर में कमी करने के लिए थोड़ा समय लगा। दृश्य में वास्तविक प्रकाश को कैमरे की एक्सपोजर सेटिंग्स का उपयोग करके पुनर्प्राप्त किया गया था, ताकि प्रत्येक पिक्सेल वास्तविक चमक को प्रतिबिंबित करे, न कि प्रदर्शन-तैयार अनुमान को।

क्योंकि ऐसे मान व्यापक रूप से भिन्न हो सकते हैं, डेटा को तब प्रत्येक छवि के अपने चमक वितरण के आधार पर स्थिर करने के लिए स्केल किया गया था, मिड-रेंज और हाइलाइट आंकड़ों का उपयोग करके धुले हुए छवियों और उज्ज्वल हाइलाइट्स से बचने के लिए, अंततः एक सामान्य रेखीय छवि प्राप्त की जो दृश्य में वास्तविक चमक की सीमा को संरक्षित करती है, जबकि प्रशिक्षण के लिए पर्याप्त रूप से स्थिर रहती है।

छवियों के लिए पाठ लेबल क्वेन2.5-वीएल 7बी मॉडल के साथ बनाए गए थे, जिसमें प्रॉम्प्ट फ्लक्स मॉडल की विशेषताओं से मेल खाने के लिए तैयार किए गए थे जो पीढ़ी के समय पर उपयोग किए जाएंगे।

प्रत्येक छवि को एक्सपोजर ‘स्लाइस’ में विभाजित किया गया और एक साझा वीएई एनकोडर के माध्यम से पारित किया गया, जिसने सभी एक्सपोजर को एक सामान्य लेटेंट स्पेस में परिवर्तित किया, जो पूर्ण चमक सीमा को पकड़ने के लिए डिज़ाइन किया गया था। लेटेंट्स को तब शोर से परिष्कृत किया गया और छवियों में वापस डिकोड किया गया, जिससे अंधेरे और उज्ज्वल क्षेत्रों में सुसंगत पुनर्निर्माण की अनुमति मिली, जिसमें उन्हें एक ही ‘सपाट’ एक्सपोजर में ढहाया नहीं गया था।

लोरा फाइनट्यूनिंग का उपयोग प्रीट्रेन्ड फ्लक्स बैकबोन को रेखीय-छवि डेटा के साथ कम अतिरिक्त पैरामीटर के साथ अनुकूलित करने के लिए किया गया था, जिससे सिंगल-डिफ्यूजन ट्रांसफॉर्मर (सिंगल-डिटी) मॉडल स्थिर रहता था, भले ही एक्सपोजर ब्रैकेट्स में चमक बदल जाए।

एक्सपोजर मॉड्यूलेशन सेल्फ-अटेंशन (उपरोक्त योजना में मध्य स्तंभ में) को पेश किया गया था ताकि सभी ब्रैकेट्स को संयुक्त रूप से संसाधित किया जा सके, जिससे प्रत्येक एक्सपोजर के लिए चमक को समायोजित किया जा सके, जबकि संरचना और महीन विवरण को संरेखित रखा जा सके।

3डी रोटरी पोज़िशनल एम्बेडिंग (3डी-आरओपीई) का उपयोग स्थानिक स्थिति और एक्सपोजर पहचान दोनों को एन्कोड करने के लिए किया गया था, ताकि मॉडल यह बता सके कि प्रत्येक टोकन किस ब्रैकेट से संबंधित है, जबकि स्थानिक सुसंगतता को संरक्षित करते हुए, जिससे चमक में परिवर्तन को दृश्य सामग्री से साफ़ तरीके से अलग किया जा सके।

अध्ययन में उपयोग किए गए डेटासेट का एक अवलोकन, जो दिखाता है कि छवियों को सामग्री प्रकार और इनडोर बनाम आउटडोर दृश्यों में कैसे वितरित किया जाता है, साथ ही संसाधित डेटा में चमक मानों का वितरण। हिस्टोग्राम चमक और रेडियंस स्केल को लॉग स्पेस में प्लॉट करते हैं, जो दिखाते हैं कि वास्तविक दुनिया में चमक कितनी व्यापक रूप से भिन्न हो सकती है, जिसमें उच्च रेडियंस मान शारीरिक रूप से उज्ज्वल दृश्यों के अनुरूप होते हैं और मॉडल द्वारा संभाली जाने वाली मजबूत गतिविधि सीमा पर प्रकाश डालते हैं।

3डी-आरओपीई ने कहाँ एक विशेषता थी और ‘किस एक्सपोजर से यह आता है’ को अलग संकेतों में विभाजित किया, ताकि चमक में परिवर्तन स्वतंत्र रूप से समायोजित किया जा सके, स्थानिक विवरण को भ्रष्ट किए बिना।

परीक्षण

शोधकर्ताओं ने फ्लक्स-डेव को उत्पादक फ्रेमवर्क के रूप में उपयोग किया, जिसमें प्रशिक्षण चार एनवीडिया ए100 जीपीयू पर हुआ, प्रत्येक में 80GB का वीआरएएम था। बैच आकार 4 (प्रति जीपीयू) पर सेट किया गया था, 10,000 पुनरावृत्तियों पर।

लोरा फाइनट्यूनिंग ने 64 का रैंक इस्तेमाल किया। एडमडब्ल्यू ऑप्टिमाइज़र का उपयोग एक्सपोजर मॉड्यूलेशन पहलू के लिए 2×10² की सीखने की दर पर किया गया था।

लेखकों का उल्लेख है कि जबकि दो पूर्व कार्य इस दायरे में समान हैं, न तो एक परीक्षण चरण के लिए स्पष्ट प्रतियोगी था। मैक्स प्लैंक द्वारा 2022 में ग्लो जीएन का नेतृत्व किया गया था, जो केवल विशिष्ट छवि श्रेणियों का उत्पादन करने तक सीमित है। 2025 में मैक्स प्लैंक संस्थान द्वारा ब्रैकेट डिफ्यूजन (फिर से मैक्स प्लैंक संस्थान द्वारा) केवल 256x256px पर एचडीआर छवि का उत्पादन कर सकता है, और ऐसा करने में कई मिनट लगते हैं।

मूल ग्लो जीएन पेपर से, निम्न गतिविधि सीमा (एलडीआर) छवियां छाया और हाइलाइट्स में विवरण खो देती हैं, जबकि मॉडल उच्च गतिविधि सीमा (एचडीआर) संस्करणों का उत्पादन सीखता है जो चमक स्तरों में विवरण बनाए रखता है और संतृप्त क्षेत्रों की वसूली को इनवर्स टोन मैपिंग के माध्यम से सक्षम बनाता है। स्रोत – https://arxiv.org/pdf/2211.12352

अतः, सीधे बेसलाइन के अभाव में, लेखकों ने अपनी विधि की तुलना अनुकूलित मौजूदा मॉडलों के संस्करणों से की।

एक प्रयोग (‘टी2आई फाइन-ट्यूनिंग’) ने पाठ-टू-इमेज डिफ्यूजन मॉडल फ्लक्स को लोरा के साथ फाइन-ट्यून किया, इसे रेखीय छवियों का उत्पादन करने के लिए प्रशिक्षित किया, और मूल्यांकन किया कि एक राज्य-оф-द-आर्ट टी2आई मॉडल इस डोमेन में कैसे अनुकूलित होता है।

एक दूसरी तुलना (‘टी2वी फाइन-ट्यूनिंग’) ने पाठ-टू-वीडियो मॉडल वान 2.1 का उपयोग किया, जिसका वीएई चार फ्रेम को एक साझा लेटेंट में संकुचित करता है; इस सेटअप में, चार एक्सपोजर ब्रैकेट्स को एक ही लेटेंट प्रतिनिधित्व में एन्कोड किया गया था, और फिर वापस डिकोड किया गया, यह परीक्षण करते हुए कि क्या एक वीडियो-शैली की पाइपलाइन एक्सपोजर को मॉडल कर सकती है।

प्रयोगों का तीसरा सेट (‘टी2आई मॉडल इन्फ्लेशन’) कैमराकंट्रोल और जनरेटिव फोटोग्राफी के खिलाफ तुलना की, जो दोनों छवि डिफ्यूजन मॉडल को विस्तारित करते हैं समयिक मॉड्यूल के माध्यम से, मल्टी-फ्रेम आउटपुट का उत्पादन करने के लिए। इन्हें भी उसी डेटा पर फाइन-ट्यून किया गया था, एक सुसंगत तुलना के लिए।

मेट्रिक्स का उपयोग फ्रेचेट इन्सेप्शन डिस्टेंस (एफआईडी); एस्थेटिक स्कोर (एएस); नेचुरलनेस इमेज क्वालिटी ईवैल्यूएटर (एनआईक्यूई); सीएलआईपी सिम स्कोर; और ल्यूमिनेंस समानता (एलएस) थे:

लेखकों की विधि की तुलना कई अनुकूलित बेसलाइन्स के साथ रेखीय, दृश्य-संदर्भित छवियों के उत्पादन के लिए। पाठ-टू-इमेज (फ्लक्स) और पाठ-टू-वीडियो (वान 2.1) मॉडल को लोरा के साथ फाइन-ट्यून किया जाता है ताकि यह परीक्षण किया जा सके कि मौजूदा जनरेटिव सिस्टम इस सेटिंग में कितनी अच्छी तरह से काम करते हैं, जबकि कैमराकंट्रोल और जनरेटिव फोटोग्राफी छवि डिफ्यूजन मॉडल को समयिक घटकों के साथ विस्तारित करते हैं। कुछ स्कोर गायब हैं क्योंकि कुछ मॉडल लगातार एक्सपोजर ब्रैकेट्स का उत्पादन नहीं कर सकते हैं, जो पूर्ण गतिविधि सीमा को पुनर्प्राप्त करने के लिए आवश्यक हैं। रिपोर्ट किए गए मेट्रिक्स में, नई विधि विशेष रूप से छवि गुणवत्ता और सटीक चमक पुनर्निर्माण से संबंधित उपायों पर सबसे मजबूत समग्र परिणाम प्राप्त करती है।

इस संबंध में लेखक कहते हैं:

‘टी2आई मॉडल को सीधे रेखीय डेटा पर फाइन-ट्यून करना छाया और हाइलाइट्स के विवरण को संतुलित करना मुश्किल बना देता है। टी2आई मॉडल इन्फ्लेशन विधियों को सीमित गतिविधि सीमा और एक्सपोजर के बदलाव के बाद भी महत्वपूर्ण छवि गुणवत्ता हानि का सामना करना पड़ता है।

‘टी2वी फाइन-ट्यूनिंग के लिए, वान 2.1 का 4× समयिक डाउनसैंपलिंग 4 एक्सपोजर ब्रैकेट्स को एक ही लेटेंट प्रतिनिधित्व में उलझा देता है, जो फाइन-ट्यूनिंग के माध्यम से ही हल नहीं किया जा सकता है।

‘एक्सपोजर ब्रैकेट्स का उपयोग करके दृश्य-संदर्भित गुणों को सीधे मॉडलिंग करना, हमारी विधि सभी बेसलाइन्स पर श्रेष्ठ दृश्य गुणवत्ता और गतिविधि सीमा प्राप्त करती है।’

लोरा-अनुकूलित फ्लक्स और वान 2.1 के साथ एक तुलना, जो दिखाती है कि प्रत्येक विधि एक ही दृश्यों में एक्सपोजर परिवर्तनों को कैसे संभालती है। प्रतिस्पर्धी दृष्टिकोण बहुत ही अंधेरे या बहुत उज्ज्वल क्षेत्रों में विवरण खो देते हैं, जबकि प्रस्तावित विधि पूरे एक्सपोजर श्रृंखला में संरचना और विवरण को बनाए रखती है। कृपया बेहतर गुणवत्ता वाले परिणाम उदाहरणों के लिए स्रोत पत्र और परियोजना साइट पर जाएं।

कृपया आगे के परीक्षणों के लिए स्रोत पत्र के विस्तारित प्रयोग और पूरक सामग्री अनुभाग पर जाएं।

निष्कर्ष

मीडिया पेशेवरों के लिए, जैसे कि फिल्म और टीवी उत्पादन में काम करने वाले, जिस आउटपुट ने दुनिया की कल्पना (और, बढ़ती हुई, उनके गुस्से) को पकड़ लिया है, उन्हें उदासीन छोड़ दिया है, क्योंकि उनके सभी पाइपलाइन किसी न किसी तरह से एचडीआर कैप्चर पर निर्भर करती हैं।

इसलिए यह एक समय पर परियोजना है, जो एक सुविधा का प्रतिनिधित्व करती है जिसे नए फ्रेमवर्क में एक वैकल्पिक मानक के रूप में होने की उम्मीद की जा सकती है – हालांकि यह निश्चित रूप से कम से कम रेंडरिंग समय को दोगुना कर देगा; स्पष्ट रूप से, लेटेंसी को गंभीरता से संबोधित किया जाना चाहिए यदि एचडीआर एआई सामग्री को ‘पोस्ट’ की श्रेणी में नहीं डाला जाना है, न कि कैमरे में श्रेणी में।

* सामान्य तौर पर हम उदाहरण दिखाएंगे, लेकिन चूंकि पाठक के पास एचडीआर-क्षमता वाली मॉनिटर नहीं हो सकती है, इसलिए हम इस मामले में उन्हें छोड़ देते हैं।

पहले प्रकाशित रविवार, 26 अप्रैल, 2026