विज़ुअल डिज़ाइन टूल्स और विजन लैंग्वेज मॉडल्स मल्टीमीडिया उद्योग में व्यापक अनुप्रयोग हैं। हाल के वर्षों में महत्वपूर्ण प्रगति के बावजूद, इन टूल्स के संचालन के लिए एक ठोस समझ अभी भी आवश्यक है। सुलभता और नियंत्रण में सुधार के लिए, मल्टीमीडिया उद्योग तेजी से पाठ-निर्देशित या निर्देश-आधारित छवि संपादन तकनीकों को अपना रहा है। ये तकनीकें पारंपरिक क्षेत्रीय मास्क या विस्तृत विवरण के बजाय प्राकृतिक भाषा कमांड का उपयोग करती हैं, जिससे अधिक लचीला और नियंत्रित छवि हेरफेर संभव हो जाता है। हालांकि, निर्देश-आधारित विधियों में अक्सर संक्षिप्त दिशानिर्देश होते हैं जो मौजूदा मॉडलों के लिए पूरी तरह से कब्जा करना और निष्पादित करना चुनौतीपूर्ण हो सकता है। इसके अलावा, प्रत्येक छवियों का निर्माण करने की उनकी क्षमता के लिए जाने जाने वाले डिफ्यूजन मॉडल, छवि संपादन क्षेत्र में बहुत मांग में हैं।

इसके अलावा, मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (एमएलएलएम) ने दृश्य-संबंधी प्रतिक्रिया पीढ़ी और क्रॉस-मॉडल समझ जैसे कार्यों में प्रभावशाली प्रदर्शन दिखाया है। एमएलएलएम गाइडेड इमेज एडिटिंग (एमजीआईई) एमएलएलएम से प्रेरित एक अध्ययन है जो उनकी क्षमताओं का मूल्यांकन करता है और विश्लेषण करता है कि वे पाठ या निर्देशित निर्देशों के माध्यम से संपादन का समर्थन कैसे करते हैं। इस दृष्टिकोण में स्पष्ट मार्गदर्शन प्रदान करने और अभिव्यक्तिपूर्ण निर्देशों को प्राप्त करने के लिए सीखना शामिल है। एमजीआईई संपादन मॉडल दृश्य जानकारी को समझता है और अंत-से-अंत प्रशिक्षण के माध्यम से संपादन या हेरफेर करता है। इस लेख में, हम एमजीआईई का गहन मूल्यांकन करेंगे, इसके वैश्विक छवि अनुकूलन, फोटोशॉप-शैली के संशोधनों और स्थानीय संपादन पर इसके प्रभाव का मूल्यांकन करेंगे। हम निर्देश-आधारित छवि संपादन कार्यों में एमजीआईई के महत्व पर भी चर्चा करेंगे जो अभिव्यक्तिपूर्ण निर्देशों पर निर्भर करते हैं। आइए इसकी खोज शुरू करें।

एमएलएलएम गाइडेड इमेज एडिटिंग या एमजीआईई: एक परिचय

मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स और डिफ्यूजन मॉडल्स वर्तमान में सबसे व्यापक रूप से उपयोग किए जाने वाले एआई और एमएल फ्रेमवर्क हैं, जो उनकी उल्लेखनीय उत्पादक क्षमताओं के कारण हैं। एक ओर, आपके पास डिफ्यूजन मॉडल हैं, जो उच्च गुणवत्ता वाली और दृश्य रूप से आकर्षक छवियों का उत्पादन करने के लिए जाने जाते हैं, जबकि दूसरी ओर, आपके पास मल्टीमॉडल लार्ज लैंग्वेज मॉडल हैं, जो विभिन्न प्रकार की सामग्री के उत्पादन में उनकी असाधारण क्षमता के लिए प्रसिद्ध हैं, जिसमें पाठ, भाषा, भाषण और छवियां/वीडियो शामिल हैं।

डिफ्यूजन मॉडल लेटेंट क्रॉस-मॉडल मैप्स को स्वैप करके दृश्य हेरफेर करते हैं जो इनपुट गोल कैप्शन में परिवर्तन को दर्शाता है, और वे एक निर्देशित मास्क का उपयोग करके छवि के एक विशिष्ट क्षेत्र को संपादित करने के लिए भी उपयोग किया जा सकता है। लेकिन डिफ्यूजन मॉडल्स का उपयोग मल्टीमीडिया अनुप्रयोगों के लिए व्यापक रूप से किया जाता है क्योंकि वे विस्तृत विवरण या क्षेत्रीय मास्क पर निर्भर नहीं करते हैं, डिफ्यूजन मॉडल्स निर्देश-आधारित संपादन दृष्टिकोण का उपयोग करते हैं जो उपयोगकर्ताओं को पाठ निर्देश या कमांड का उपयोग करके सीधे छवि को कैसे संपादित करना है यह बताने की अनुमति देता है। आगे बढ़ते हुए, लार्ज लैंग्वेज मॉडल्स को परिचय की आवश्यकता नहीं है क्योंकि उन्होंने विभिन्न भाषा कार्यों में महत्वपूर्ण प्रगति दिखाई है, जिसमें पाठ सारांश, मशीन अनुवाद, पाठ पीढ़ी, और प्रश्नों के उत्तर शामिल हैं। एलएलएम आमतौर पर एक बड़े और विविध प्रशिक्षण डेटा पर प्रशिक्षित होते हैं जो उन्हें दृश्य रचनात्मकता और ज्ञान से लैस करता है, जिससे वे विभिन्न दृश्य-भाषा कार्यों को करने में सक्षम होते हैं। एलएलएम पर निर्माण करके, एमएलएलएम या मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स छवियों का उपयोग प्राकृतिक इनपुट के रूप में कर सकते हैं और उपयुक्त दृश्य-संबंधी प्रतिक्रिया प्रदान कर सकते हैं।

यह कहा जा रहा है, हालांकि डिफ्यूजन मॉडल्स और एमएलएलएम फ्रेमवर्क छवि संपादन कार्यों के लिए व्यापक रूप से उपयोग किए जाते हैं, पाठ-आधारित निर्देशों के साथ कुछ मार्गदर्शन मुद्दे हैं जो समग्र प्रदर्शन को बाधित करते हैं, जिसके परिणामस्वरूप एमजीआईई या एमएलएलएम गाइडेड इमेज एडिटिंग का विकास होता है, जो एक एआई-संचालित फ्रेमवर्क है जिसमें एक डिफ्यूजन मॉडल और एक एमएलएलएम मॉडल शामिल है, जैसा कि निम्नलिखित छवि में दिखाया गया है।

एमजीआईई आर्किटेक्चर के भीतर, डिफ्यूजन मॉडल को अंत-से-अंत प्रशिक्षित किया जाता है ताकि लेटेंट कल्पना के साथ छवि संपादन किया जा सके, जबकि एमएलएलएम फ्रेमवर्क सटीक अभिव्यक्तिपूर्ण निर्देशों की भविष्यवाणी करने के लिए सीखता है। एक साथ, डिफ्यूजन मॉडल और एमएलएलएम फ्रेमवर्क दृश्य व्युत्पन्न की स्वाभाविक व्युत्पत्ति का लाभ उठाते हैं, जिससे उन्हें अस्पष्ट मानव कमांड को संबोधित करने और वास्तविक छवि संपादन को प्राप्त करने में सक्षम बनाया जा सकता है, जैसा कि निम्नलिखित छवि में दिखाया गया है।

एमजीआईई फ्रेमवर्क दो मौजूदा दृष्टिकोणों से भारी प्रेरणा लेता है: निर्देश-आधारित छवि संपादन और दृश्य लार्ज लैंग्वेज मॉडल्स।

निर्देश-आधारित छवि संपादन दृश्य हेरफेर की सुलभता और नियंत्रणीयता को काफी हद तक बेहतर बना सकता है क्योंकि यह मानव निर्देशों का पालन करता है। निर्देश-आधारित छवि संपादन के लिए दो मुख्य फ्रेमवर्क उपयोग किए जाते हैं: जीएन फ्रेमवर्क और डिफ्यूजन मॉडल्स। जीएन या जेनरेटिव एडवर्सेरियल नेटवर्क्स छवियों को बदलने में सक्षम हैं, लेकिन वे या तो विशिष्ट डोमेन तक सीमित हैं या अवास्तविक परिणाम उत्पन्न करते हैं। दूसरी ओर, डिफ्यूजन मॉडल्स, जो बड़े पैमाने पर प्रशिक्षित होते हैं, वैश्विक मैप्स के लिए क्रॉस-मॉडल ध्यान मैप्स को नियंत्रित करने के लिए छवि संपादन और परिवर्तन प्राप्त करने में सक्षम होते हैं। निर्देश-आधारित संपादन काम करता है जब यह सीधे कमांड को इनपुट के रूप में प्राप्त करता है, अक्सर क्षेत्रीय मास्क और विस्तृत विवरण तक सीमित नहीं होता है। हालांकि, यह संभावना है कि प्रदान किए गए निर्देश या तो अस्पष्ट हैं या संपादन कार्यों के लिए पर्याप्त सटीक नहीं हैं।

दृश्य लार्ज लैंग्वेज मॉडल्स अपनी पाठ उत्पादक और सामान्यीकरण क्षमताओं के लिए जाने जाते हैं और अक्सर एक मजबूत पाठ संबंधी समझ रखते हैं, और वे आगे कार्यक्रमों या प्सेवドो-कोड का उत्पादन कर सकते हैं। बड़े भाषा मॉडल्स की इस क्षमता के कारण एमएलएलएम्स दृश्यों को समझने और दृश्य सुविधा संरेखण के साथ निर्देश ट्यूनिंग का उपयोग करके उपयुक्त प्रतिक्रिया प्रदान करने में सक्षम होते हैं, हाल के मॉडल एमएलएलएम को चैट या इनपुट पाठ से संबंधित छवियों को उत्पन्न करने के लिए अपनाते हैं। हालांकि, जो एमजीआईई को एमएलएलएम या वीएलएलएम से अलग करता है वह यह तथ्य है कि जबकि बाद वाले मूल से छवियों का उत्पादन कर सकते हैं, एमजीआईई एमएलएलएम की क्षमताओं का लाभ उठाता है ताकि व्युत्पन्न निर्देशों के साथ छवि संपादन क्षमताओं को बढ़ाया जा सके।

एमजीआईई: आर्किटेक्चर और विधि

पारंपरिक रूप से, बड़े भाषा मॉडल्स का उपयोग प्राकृतिक भाषा प्रसंस्करण उत्पादक कार्यों के लिए किया जाता था। लेकिन जबसे एमएलएलएम मुख्यधारा में आए, एलएलएम को छवियों को इनपुट के रूप में देखने और उचित दृश्य-संबंधी प्रतिक्रिया प्रदान करने की क्षमता प्राप्त हुई। परंपरागत रूप से, एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल को एक पूर्व-प्रशिक्षित एलएलएम से आरंभ किया जाता है, और इसमें एक दृश्य एनकोडर और एक एडाप्टर शामिल होता है जो दृश्य विशेषताओं को निकालने और दृश्य विशेषताओं को भाषा मॉडलिटी में परियोजना करने के लिए होता है। इसके कारण, एमएलएलएम फ्रेमवर्क दृश्य इनपुट को समझने में सक्षम है, हालांकि आउटपुट अभी भी पाठ तक सीमित है।

प्रस्तावित एमजीआईई फ्रेमवर्क इस मुद्दे को हल करने और एक एमएलएलएम को एक इनपुट छवि को दिए गए पाठ निर्देश के आधार पर एक आउटपुट छवि में संपादित करने में सक्षम बनाने का लक्ष्य रखता है। इसे प्राप्त करने के लिए, एमजीआईई फ्रेमवर्क में एक एमएलएलएम और संक्षिप्त और स्पष्ट अभिव्यक्तिपूर्ण पाठ निर्देशों को व्युत्पन्न करने के लिए प्रशिक्षित किया जाता है। इसके अलावा, एमजीआईई फ्रेमवर्क अपनी आर्किटेक्चर में विशेष छवि टोकन जोड़ता है ताकि दृश्य और भाषा मॉडलिटी के बीच की खाई को पुल कर सके, और मॉडलिटी के परिवर्तन के लिए संपादन हेड को अपनाता है। ये मॉडलिटी मल्टीमॉडल लार्ज लैंग्वेज मॉडल से लेटेंट दृश्य कल्पना के रूप में कार्य करती हैं और डिफ्यूजन मॉडल को संपादन कार्यों को प्राप्त करने के लिए मार्गदर्शन करती हैं। एमजीआईई फ्रेमवर्क तब दृश्य धारण कार्यों के लिए युक्तियुक्त छवि संपादन करने में सक्षम है।

संक्षिप्त अभिव्यक्तिपूर्ण निर्देश

पारंपरिक रूप से, मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स निर्देश ट्यूनिंग और विशेषता संरेखण के कारण दृश्य-संबंधी प्रतिक्रिया प्रदान कर सकते हैं। छवियों को संपादित करने के लिए, एमजीआईई फ्रेमवर्क एक पाठ प्रॉम्प्ट का उपयोग प्राथमिक भाषा इनपुट के रूप में करता है, छवि के साथ, और संपादन कमांड के लिए एक विस्तृत विवरण व्युत्पन्न करता है। हालांकि, ये विवरण अक्सर बहुत लंबे या पुनरावृत्ति विवरण शामिल कर सकते हैं, जिससे गलत व्याख्या हो सकती है, जिससे एमजीआईई को एक पूर्व-प्रशिक्षित सारांशक का उपयोग करने के लिए मजबूर किया जाता है ताकि संक्षिप्त कथन प्राप्त किया जा सके, जिससे एमएलएलएम को सारांशित आउटपुट उत्पन्न करने में सक्षम बनाया जा सके। फ्रेमवर्क संक्षिप्त लेकिन स्पष्ट मार्गदर्शन को अभिव्यक्तिपूर्ण निर्देश के रूप में मानता है और शिक्षक प्रवर्तन का उपयोग करके क्रॉस-एंट्रोपी हानि के साथ मल्टीमॉडल लार्ज लैंग्वेज मॉडल को प्रशिक्षित करता है।

एक अभिव्यक्तिपूर्ण निर्देश प्रदान करना पाठ निर्देश की तुलना में एक अधिक ठोस विचार प्रदान करता है, जो युक्तियुक्त छवि संपादन को बढ़ाता है। इसके अलावा, एमजीआईई फ्रेमवर्क अनुमान अवधि के दौरान संक्षिप्त अभिव्यक्तिपूर्ण निर्देशों को व्युत्पन्न करता है, न कि लंबी कथनों का उत्पादन करता है और बाहरी सारांश पर निर्भर करता है। इसके कारण, एमजीआईई फ्रेमवर्क संपादन इरादों की दृश्य कल्पना को पकड़ने में सक्षम है, लेकिन अभी भी भाषा मॉडलिटी तक सीमित है। इस बाधा को पार करने के लिए, एमजीआईई मॉडल अभिव्यक्तिपूर्ण निर्देश के बाद प्रशिक्षित शब्द एम्बेडिंग के साथ कुछ दृश्य टोकन जोड़ता है, जिससे एमएलएलएम को अपने एलएम या भाषा मॉडल हेड का उपयोग करके उन्हें उत्पन्न करने में सक्षम बनाया जा सके।

लेटेंट कल्पना के साथ छवि संपादन

अगले चरण में, एमजीआईई फ्रेमवर्क संपादन हेड को अपनाता है ताकि छवि निर्देश को वास्तविक दृश्य मार्गदर्शन में परिवर्तित किया जा सके। संपादन हेड एक अनुक्रम-से-अनुक्रम मॉडल है जो एमएलएलएम से दृश्य टोकन को अर्थपूर्ण लेटेंट सेमैंटिक रूप से संपादन मार्गदर्शन के रूप में मैप करने में मदद करता है। अधिक विशिष्ट रूप से, शब्द एम्बेडिंग पर परिवर्तन को दृश्य मॉडलिटी में सामान्य प्रतिनिधित्व के रूप में व्याख्या किया जा सकता है, और यह एक उदाहरण-जागरूक दृश्य कल्पना घटक का उपयोग संपादन इरादों के लिए करता है। इसके अलावा, दृश्य कल्पना के साथ छवि संपादन के लिए मार्गदर्शन करने के लिए, एमजीआईई फ्रेमवर्क अपनी आर्किटेक्चर में एक लेटेंट डिफ्यूजन मॉडल एम्बेड करता है, जिसमें एक वेरिएशनल ऑटोएनकोडर और लेटेंट स्पेस में डीनोइज़िंग डिफ्यूजन शामिल है। लेटेंट डिफ्यूजन मॉडल का प्राथमिक उद्देश्य लेटेंट इनपुट को संरक्षित करते हुए और संपादन मार्गदर्शन का पालन करते हुए लेटेंट गोल का उत्पादन करना है। डिफ्यूजन प्रक्रिया नियमित अंतराल पर लेटेंट गोल में शोर जोड़ती है और प्रत्येक टाइमस्टेप के साथ शोर का स्तर बढ़ जाता है।

एमजीआईई का अधिग्रहण

निम्नलिखित आंकड़ा एमजीआईई फ्रेमवर्क के अधिग्रहण के अल्गोरिदम को सारांशित करता है।

जैसा कि देखा जा सकता है, एमएलएलएम निर्देश हानि का उपयोग करके संक्षिप्त अभिव्यक्तिपूर्ण निर्देशों को व्युत्पन्न करने के लिए सीखता है। इनपुट छवि निर्देशों से लेटेंट कल्पना का उपयोग करके, फ्रेमवर्क संपादन हेड की मॉडलिटी को परिवर्तित करता है और लेटेंट डिफ्यूजन मॉडल को परिणामी छवि को सिंथेसाइज़ करने के लिए मार्गदर्शन करता है, और डिफ्यूजन प्रशिक्षण के लिए संपादन हानि लागू करता है। अंत में, फ्रेमवर्क अधिकांश वजन को जमानत देता है, जिससे पैरामीटर-कुशल अंत-से-अंत प्रशिक्षण होता है।

एमजीआईई: परिणाम और मूल्यांकन

एमजीआईई फ्रेमवर्क आईपीआर2पीआर डेटासेट का उपयोग अपने प्राथमिक प्री-प्रशिक्षण डेटा के रूप में करता है, जिसमें 1 मिलियन से अधिक सीएलआईपी-फ़िल्टर्ड डेटा शामिल हैं जिसमें जीपीटी-3 मॉडल से निर्देश निकाले गए हैं और एक प्रॉम्प्ट-टू-प्रॉम्प्ट मॉडल छवियों को सिंथेसाइज़ करने के लिए है। इसके अलावा, एमजीआईई फ्रेमवर्क निर्देश-आधारित छवि संपादन कार्यों के लिए एक बेसलाइन के रूप में सीएलआईपी टेक्स्ट एनकोडर के साथ एक डिफ्यूजन मॉडल पर निर्मित इन्सपिक्स2पिक्स फ्रेमवर्क का इलाज करता है। इसके अलावा, एमजीआईई मॉडल एक एलएलएम-गाइडेड छवि संपादन मॉडल को भी ध्यान में रखता है जो निर्देश-मात्र इनपुट से अभिव्यक्तिपूर्ण निर्देशों को अपनाता है, लेकिन दृश्य धारण के बिना।

मात्रात्मक विश्लेषण

निम्नलिखित आंकड़ा आईपीआर2पीआर डेटासेट पर प्रशिक्षित मॉडल्स के साथ शून्य-शॉट सेटिंग में संपादन परिणामों को सारांशित करता है। जीआईईआर और ईवीआर डेटा में फोटोशॉप-शैली के संशोधनों के लिए, अभिव्यक्तिपूर्ण निर्देश अस्पष्ट कमांड के बजाय ठोस लक्ष्यों को प्रकट कर सकते हैं, जिससे संपादन परिणाम संपादन इरादों के अनुरूप बेहतर होते हैं।

हालांकि एलजीआईई और एमजीआईई दोनों को इन्सपिक्स2पिक्स मॉडल के समान डेटा पर प्रशिक्षित किया जाता है, वे बड़े भाषा मॉडल के साथ सीखने के माध्यम से विस्तृत विवरण प्रदान कर सकते हैं, लेकिन एलजीआईई एकल मॉडलिटी तक सीमित है। इसके अलावा, एमजीआईई फ्रेमवर्क छवियों तक पहुंच प्राप्त करके और उन्हें स्पष्ट निर्देशों को व्युत्पन्न करने के लिए उपयोग करके एक महत्वपूर्ण प्रदर्शन बूस्ट प्रदान कर सकता है।

विशिष्ट उद्देश्यों के लिए निर्देश-आधारित छवि संपादन कार्यों पर प्रदर्शन का मूल्यांकन करने के लिए, डेवलपर्स ने प्रत्येक डेटासेट पर कई मॉडल्स को फ़ाइन-ट्यून किया है, जैसा कि निम्नलिखित तालिका में सारांशित किया गया है।

जैसा कि देखा जा सकता है, ईवीआर और जीआईईआर के लिए फोटोशॉप-शैली के संपादन कार्यों को अनुकूलित करने के बाद, मॉडल्स प्रदर्शन में वृद्धि दिखाते हैं। हालांकि, यह ध्यान देने योग्य है कि फ़ाइन-ट्यूनिंग अभिव्यक्तिपूर्ण निर्देशों को अधिक डोमेन-विशिष्ट बनाती है, एमजीआईई फ्रेमवर्क एक बड़ा प्रदर्शन बूस्ट देखता है क्योंकि यह डोमेन-संबंधित मार्गदर्शन भी सीखता है, जिससे डिफ्यूजन मॉडल को फ़ाइन-ट्यून किए गए बड़े भाषा मॉडल से ठोस संपादित दृश्यों को प्रदर्शित करने में मदद मिलती है, जो स्थानीय संशोधन और स्थानीय अनुकूलन दोनों को लाभान्वित करता है। इसके अलावा, चूंकि दृश्य-संबंधी मार्गदर्शन इरादों के साथ अधिक संरेखित है, एमजीआईई फ्रेमवर्क एलजीआईई की तुलना में लगातार बेहतर परिणाम प्रदान करता है।

निम्नलिखित आंकड़ा इनपुट या ग्राउंड ट्रुथ गोल छवियों और अभिव्यक्तिपूर्ण निर्देशों के साथ सीएलआईपी-स्कोर को प्रदर्शित करता है। एक उच्च सीएलआईपी स्कोर संपादन स्रोत के साथ निर्देशों की प्रासंगिकता को इंगित करता है, और जैसा कि देखा जा सकता है, एमजीआईई मॉडल में एलजीआईई मॉडल की तुलना में दोनों इनपुट और आउटपुट छवियों पर उच्च सीएलआईपी स्कोर है।

गुणात्मक परिणाम

निम्नलिखित छवि एमजीआईई फ्रेमवर्क के गुणात्मक विश्लेषण को पूरी तरह से सारांशित करती है।

जैसा कि हम जानते हैं, एलजीआईई फ्रेमवर्क एकल मॉडलिटी तक सीमित है क्योंकि यह एकल भाषा-आधारित अंतर्दृष्टि है, और यह छवि को संपादित करने के लिए गलत या अप्रासंगिक विवरण प्राप्त करने के लिए प्रवण है। हालांकि, एमजीआईई फ्रेमवर्क मल्टीमॉडल है, और छवियों तक पहुंच प्राप्त करके, यह संपादन कार्यों को पूरा करता है और स्पष्ट दृश्य कल्पना प्रदान करता है जो वास्तव में अच्छी तरह से गोल के साथ संरेखित होता है।

अंतिम विचार

इस लेख में, हमने एमजीआईई या एमएलएलएम गाइडेड इमेज एडिटिंग के बारे में चर्चा की है, जो एमएलएलएम से प्रेरित एक अध्ययन है जो उनकी क्षमताओं का मूल्यांकन करता है और विश्लेषण करता है कि वे पाठ या निर्देशित निर्देशों के माध्यम से संपादन का समर्थन कैसे करते हैं, साथ ही साथ स्पष्ट मार्गदर्शन प्रदान करने और अभिव्यक्तिपूर्ण निर्देशों को व्युत्पन्न करने के लिए सीखने के द्वारा। एमजीआईई संपादन मॉडल दृश्य जानकारी को समझता है और अंत-से-अंत प्रशिक्षण के माध्यम से संपादन या हेरफेर करता है। इसके बजाय अस्पष्ट और संक्षिप्त मार्गदर्शन, एमजीआईई फ्रेमवर्क स्पष्ट दृश्य-संबंधी निर्देशों का उत्पादन करता है जो तर्कसंगत छवि संपादन का परिणाम है।