स्थिर प्रसार के लिए ग्रीन स्क्रीन निर्माण में सुधार

दृश्य जनरेटिव एआई के बारे में समुदाय और निवेशकों के उत्साह के बावजूद, ऐसी प्रणालियों से आउटपुट हमेशा वास्तविक दुनिया के उपयोग के लिए तैयार नहीं होता है; एक उदाहरण यह है कि जनरेटिव एआई सिस्टम आउटपुट करते हैं संपूर्ण छवियाँ (या वीडियो के मामले में छवियों की एक श्रृंखला), बजाय व्यक्तिगत, पृथक तत्व जो आमतौर पर मल्टीमीडिया में विविध अनुप्रयोगों के लिए और दृश्य प्रभाव चिकित्सकों के लिए आवश्यक होते हैं।

इसका एक सरल उदाहरण क्लिप-आर्ट है जिसे उपयोगकर्ता द्वारा चयनित किसी भी लक्ष्य पृष्ठभूमि पर 'तैरने' के लिए डिज़ाइन किया गया है:

हल्के भूरे रंग की चेकर्ड पृष्ठभूमि, जो शायद फोटोशॉप उपयोगकर्ताओं के लिए सबसे अधिक परिचित है, स्टॉक इमेज जैसी साधारण उपभोक्ता वस्तुओं में भी अल्फा चैनल या पारदर्शिता चैनल का प्रतिनिधित्व करने लगी है।

इस प्रकार की पारदर्शिता तीस वर्षों से अधिक समय से सामान्य रूप से उपलब्ध है; 1990 के दशक की शुरुआत में डिजिटल क्रांति के बाद से, उपयोगकर्ता टूलसेट और तकनीकों की एक बढ़ती हुई परिष्कृत श्रृंखला के माध्यम से वीडियो और छवियों से तत्वों को निकालने में सक्षम हो गए हैं।

उदाहरण के लिए, वीडियो फुटेज में ब्लू-स्क्रीन और ग्रीन-स्क्रीन पृष्ठभूमि को 'हटाने' की चुनौती, जो कभी महंगी फिल्मों के दायरे में थी। रासायनिक प्रक्रियाएँ और ऑप्टिकल प्रिंटर (साथ ही साथ हाथ से तैयार मैट), एडोब के आफ्टर इफेक्ट्स और फोटोशॉप अनुप्रयोगों (कई अन्य मुफ्त और स्वामित्व कार्यक्रमों और प्रणालियों के बीच) जैसे सिस्टम में मिनटों का काम बन जाएगा।

एक बार किसी तत्व को पृथक कर लिया जाए तो, अल्फा चैनल (प्रभावी रूप से एक मुखौटा जो किसी भी अप्रासंगिक सामग्री को अस्पष्ट कर देता है) वीडियो में किसी भी तत्व को आसानी से नई पृष्ठभूमि पर आरोपित करने, या अन्य पृथक तत्वों के साथ संयोजित करने की अनुमति देता है।

अल्फा चैनलों के उदाहरण, उनके प्रभाव निचली पंक्ति में दर्शाए गए हैं। स्रोत: https://helpx.adobe.com/photoshop/using/saving-selections-alpha-channel-masks.html

बाहर छोड़ना

कंप्यूटर विज़न में, अल्फा चैनलों का निर्माण किसके तत्वावधान में आता है? शब्दार्थ विभाजनमेटा जैसे ओपन सोर्स प्रोजेक्ट्स के साथ खंड कुछ भी अर्थगत रूप से उन्नत वस्तु पहचान के माध्यम से लक्ष्य वस्तुओं को पृथक करने/निकालने की एक पाठ-प्रॉम्प्टेबल विधि प्रदान करना।

सेगमेंट एनीथिंग फ्रेमवर्क का उपयोग दृश्य प्रभाव निष्कर्षण और अलगाव वर्कफ़्लो की एक विस्तृत श्रृंखला में किया गया है, जैसे कि अल्फा-क्लिप परियोजना.

अल्फा-क्लिप फ्रेमवर्क में सेगमेंट एनीथिंग का उपयोग करके उदाहरण निष्कर्षण: स्रोत: https://arxiv.org/pdf/2312.03818

वहां कई वैकल्पिक अर्थगत विभाजन विधियाँ जिन्हें अल्फा चैनल निर्दिष्ट करने के कार्य के लिए अनुकूलित किया जा सकता है।

हालाँकि, सिमेंटिक सेगमेंटेशन प्रशिक्षित डेटा पर निर्भर करता है जिसमें सभी शामिल नहीं हो सकते हैं वस्तु की श्रेणियाँ जिन्हें निकालने की आवश्यकता होती है। हालांकि बहुत अधिक मात्रा में डेटा पर प्रशिक्षित मॉडल वस्तुओं की एक व्यापक श्रेणी को पहचानने में सक्षम हो सकते हैं (प्रभावी रूप से आधारभूत मॉडल बन सकते हैं, या विश्व मॉडल), फिर भी वे उन वर्गों द्वारा सीमित हैं जिन्हें पहचानने के लिए उन्हें सबसे अधिक प्रभावी ढंग से प्रशिक्षित किया जाता है।

सेगमेंट एनीथिंग जैसी अर्थगत विभाजन प्रणालियां कुछ वस्तुओं या वस्तुओं के भागों की पहचान करने में कठिनाई महसूस कर सकती हैं, जैसा कि अस्पष्ट संकेतों से प्राप्त आउटपुट में उदाहरण दिया गया है। स्रोत: https://maucher.pages.mi.hdm-stuttgart.de/orbook/deeplearning/SAM.html

किसी भी मामले में, शब्दार्थ विभाजन उतना ही महत्वपूर्ण है कार्योत्तर मंजूरी प्रक्रिया को ग्रीन स्क्रीन प्रक्रिया के रूप में अपनाया जाना चाहिए, तथा पृष्ठभूमि रंग के एकल भाग के लाभ के बिना तत्वों को पृथक करना चाहिए, जिन्हें प्रभावी रूप से पहचाना और हटाया जा सके।

इस कारण से, कभी-कभी उपयोगकर्ता समुदाय के मन में यह विचार आया है कि चित्र और वीडियो उत्पन्न किए जा सकते हैं जिसमें वास्तव में हरे रंग की स्क्रीन पृष्ठभूमि होती है जिन्हें पारंपरिक तरीकों से तुरंत हटाया जा सकता है।

दुर्भाग्य से, लोकप्रिय अव्यक्त प्रसार मॉडल जैसे स्थिर प्रसार एक बहुत ही जीवंत हरे रंग की स्क्रीन प्रस्तुत करने में अक्सर कुछ कठिनाई होती है। ऐसा इसलिए है क्योंकि मॉडल के प्रशिक्षण डेटा में आमतौर पर इस विशिष्ट परिदृश्य के बहुत अधिक उदाहरण नहीं होते हैं। यहाँ तक कि जब सिस्टम सफल हो जाता है, तब भी 'हरे' का विचार अवांछित तरीके से अग्रभूमि विषय तक फैल जाता है, क्योंकि अवधारणा नाज़ुक हालत:

ऊपर, हम देखते हैं कि स्टेबल डिफ्यूज़न ने हरे रंग की एक ही तीव्रता बनाने की ज़रूरत के बजाय छवि की प्रामाणिकता को प्राथमिकता दी है, जिससे पारंपरिक ग्रीन स्क्रीन परिदृश्यों में होने वाली वास्तविक दुनिया की समस्याओं का प्रभावी ढंग से अनुकरण किया जा रहा है। नीचे, हम देखते हैं कि 'हरे' की अवधारणा ने अग्रभूमि छवि को प्रदूषित कर दिया है। प्रॉम्प्ट जितना अधिक 'हरे' की अवधारणा पर केंद्रित होगा, यह समस्या उतनी ही गंभीर होने की संभावना है। स्रोत: https://stablediffusionweb.com/

उपयोग में लाई गई उन्नत विधियों के बावजूद, महिला की पोशाक और पुरुष की टाई (ऊपर दिखाई गई निचली छवियों में) दोनों हरे रंग की पृष्ठभूमि के साथ 'बाहर गिर' जाती थीं - यह समस्या 1970 और 1980 के दशक में फोटोकैमिकल इमल्शन डाई हटाने के दिनों से चली आ रही है।

हमेशा की तरह, किसी समस्या पर विशिष्ट डेटा डालकर और पर्याप्त प्रशिक्षण संसाधन लगाकर मॉडल की कमियों को दूर किया जा सकता है। स्टैनफोर्ड की 2024 की पेशकश जैसी प्रणालियाँ परतफैलाना बनाओ सुधारी अल्फा चैनल के साथ छवियां उत्पन्न करने में सक्षम मॉडल:

स्टैनफोर्ड लेयरडिफ्यूज परियोजना को दस लाख उपयुक्त छवियों पर प्रशिक्षित किया गया, जो मॉडल को पारदर्शिता क्षमताओं से परिपूर्ण करने में सक्षम थीं। स्रोत: https://arxiv.org/pdf/2402.17113

दुर्भाग्य से, इस दृष्टिकोण के लिए आवश्यक पर्याप्त क्यूरेशन और प्रशिक्षण संसाधनों के अलावा, लेयरडिफ्यूज़ के लिए उपयोग किया जाने वाला डेटासेट सार्वजनिक रूप से उपलब्ध नहीं है, जिससे इस पर प्रशिक्षित मॉडलों का उपयोग प्रतिबंधित हो जाता है। भले ही यह बाधा मौजूद न हो, लेकिन इस दृष्टिकोण को विशिष्ट उपयोग मामलों के लिए अनुकूलित या विकसित करना मुश्किल है।

थोड़ी देर बाद 2024 में, एडोब रिसर्च ने स्टोनीब्रुक विश्वविद्यालय के साथ मिलकर निर्माण किया जादुई करिश्मों, कस्टम-निर्मित प्रसार छवियों पर प्रशिक्षित एक एआई निष्कर्षण दृष्टिकोण।

2024 के पेपर से, मैजिक में बारीक-बारीक अल्फा चैनल निष्कर्षण का एक उदाहरण। स्रोत: https://openaccess.thecvf.com/content/CVPR2024/papers/Burgert_MAGICK_A_Large-scale_Captioned_Dataset_from_Matting_Generated_Images_using_CVPR_2024_paper.pdf

150,000 निकाले गए, AI-जनित ऑब्जेक्ट्स का उपयोग MAGICK को प्रशिक्षित करने के लिए किया गया, ताकि सिस्टम निष्कर्षण की सहज समझ विकसित कर सके:

मैजिक प्रशिक्षण डेटासेट से नमूने.

स्रोत पेपर के अनुसार, इस डेटासेट को बनाना उपरोक्त कारण से बहुत मुश्किल था - कि प्रसार विधियों में रंग के ठोस कुंजी योग्य स्वैथ बनाने में कठिनाई होती है। इसलिए, उत्पन्न मैट का मैन्युअल चयन आवश्यक था।

यह लॉजिस्टिक अड़चन एक बार फिर ऐसी प्रणाली की ओर ले जाती है जिसे आसानी से विकसित या अनुकूलित नहीं किया जा सकता है, बल्कि इसका उपयोग इसकी आरंभिक प्रशिक्षित क्षमता सीमा के भीतर ही किया जाना चाहिए।

टीकेजी-डीएम - एक अव्यक्त विसरण मॉडल के लिए 'मूल' क्रोमा निष्कर्षण

जर्मन और जापानी शोधकर्ताओं के बीच एक नए सहयोग ने ऐसे प्रशिक्षित तरीकों के लिए एक विकल्प का प्रस्ताव दिया है, जो - पेपर में कहा गया है - विशेष रूप से क्यूरेट किए गए डेटासेट पर प्रशिक्षण की आवश्यकता के बिना, उपर्युक्त तरीकों की तुलना में बेहतर परिणाम प्राप्त करने में सक्षम है।

टीकेजी-डीएम यादृच्छिक शोर को परिवर्तित करता है जो एक जनरेटिव छवि को जन्म देता है, ताकि यह किसी भी रंग में एक ठोस, कुंजी योग्य पृष्ठभूमि का निर्माण करने में सक्षम हो सके। स्रोत: https://arxiv.org/pdf/2411.15580

नई विधि पीढ़ी के स्तर पर समस्या का समाधान करती है, अनुकूलन करके बेतरतीब शोर जिससे एक छवि उत्पन्न होती है अव्यक्त प्रसार मॉडल (एलडीएम) जैसे स्थिर प्रसार.

यह दृष्टिकोण एक पर आधारित है पिछली जांच यह स्थिर प्रसार वितरण की रंग योजना में किसी भी प्रकार का पृष्ठभूमि रंग उत्पन्न करने में सक्षम है, तथा अन्य विधियों की तुलना में अग्रभूमि सामग्री में मुख्य पृष्ठभूमि रंग की कम (या कोई) उलझन के साथ, किसी भी प्रकार का पृष्ठभूमि रंग उत्पन्न करने में सक्षम है।

प्रारंभिक शोर एक चैनल औसत शिफ्ट द्वारा निर्धारित होता है जो रंग सिग्नल को अग्रभूमि सामग्री में उलझाए बिना, शोर-मुक्त करने की प्रक्रिया के पहलुओं को प्रभावित करने में सक्षम होता है।

पेपर बताता है:

'हमारे व्यापक प्रयोगों से पता चलता है कि टीकेजी-डीएम एफआईडी और मास्क-एफआईडी स्कोर में क्रमशः 33.7% और 35.9% सुधार करता है।

'इस प्रकार, हमारा प्रशिक्षण-मुक्त मॉडल परिष्कृत मॉडलों से प्रतिस्पर्धा करता है, तथा विभिन्न दृश्य सामग्री निर्माण कार्यों के लिए एक कुशल और बहुमुखी समाधान प्रदान करता है, जिसके लिए सटीक अग्रभूमि और पृष्ठभूमि नियंत्रण की आवश्यकता होती है।'

RSI नया कागज शीर्षक है टीकेजी-डीएम: प्रशिक्षण-मुक्त क्रोमा कुंजी सामग्री निर्माण प्रसार मॉडल, और यह टोक्यो में होसेई विश्वविद्यालय और कैसरस्लॉटर्न में आरपीटीयू कैसरस्लॉटर्न-लैंडौ और डीएफकेआई जीएमबीएच के सात शोधकर्ताओं से आया है।

विधि

नया दृष्टिकोण प्रारंभिक गौसियन शोर को कंडीशनिंग के माध्यम से स्थिर प्रसार की वास्तुकला का विस्तार करता है चैनल औसत बदलाव (सीएमएस), जो उत्पन्न परिणाम में वांछित पृष्ठभूमि/अग्रभूमि पृथक्करण को प्रोत्साहित करने के लिए डिज़ाइन किए गए शोर पैटर्न उत्पन्न करता है।

प्रस्तावित प्रणाली के लिए स्कीमा.

सीएमएस शोर-मुक्ति प्रक्रिया के सामान्य विकास को बनाए रखते हुए प्रत्येक रंग चैनल के माध्य को समायोजित करता है।

लेखक समझाते हैं:

'क्रोमा कुंजी पृष्ठभूमि पर अग्रभूमि ऑब्जेक्ट उत्पन्न करने के लिए, हम एक प्रारंभिक शोर चयन रणनीति लागू करते हैं जो 2D गॉसियन [मास्क] का उपयोग करके प्रारंभिक [शोर] और प्रारंभिक रंग [शोर] को चुनिंदा रूप से जोड़ती है।

'यह मास्क अग्रभूमि क्षेत्र में मूल शोर को संरक्षित करके तथा रंग-परिवर्तित शोर को पृष्ठभूमि क्षेत्र में लागू करके क्रमिक परिवर्तन उत्पन्न करता है।'

पृष्ठभूमि क्रोमा रंग के लिए वांछित रंग चैनल को शून्य पाठ संकेत के साथ स्थापित किया जाता है, जबकि वास्तविक अग्रभूमि सामग्री को उपयोगकर्ता के पाठ निर्देश से अर्थगत रूप से बनाया जाता है।

आत्मध्यान और क्रॉस-ध्यान छवि के दो पहलुओं (क्रोमा पृष्ठभूमि और अग्रभूमि सामग्री) को अलग करने के लिए उपयोग किया जाता है। स्व-ध्यान अग्रभूमि वस्तु की आंतरिक स्थिरता में मदद करता है, जबकि क्रॉस-ध्यान पाठ संकेत के प्रति निष्ठा बनाए रखता है। पेपर बताता है कि चूंकि पृष्ठभूमि इमेजरी आमतौर पर पीढ़ियों में कम विस्तृत और जोर दिया जाता है, इसलिए इसके कमजोर प्रभाव को दूर करना और शुद्ध रंग के एक नमूने के साथ प्रतिस्थापित करना अपेक्षाकृत आसान है।

क्रोमा-शैली निर्माण प्रक्रिया में स्व-ध्यान और क्रॉस-ध्यान के प्रभाव का एक दृश्य।

डेटा और परीक्षण

TKG-DM का परीक्षण स्टेबल डिफ्यूजन V1.5 और स्टेबल डिफ्यूजन SDXL का उपयोग करके किया गया। छवियाँ क्रमशः 512x512px और 1024x1024px पर बनाई गईं।

छवियाँ का उपयोग करके बनाया गया था डीडीआईएम अनुसूचक स्थिर प्रसार के मूल निवासी, मार्गदर्शन पैमाना 7.5, 50 शोर-निवारण चरणों के साथ। लक्षित पृष्ठभूमि का रंग हरा था, अब प्रमुख ड्रॉपआउट विधि.

नए दृष्टिकोण की तुलना की गई डीपफ्लोयड, मैजिक के लिए उपयोग की जाने वाली सेटिंग्स के तहत; ठीक-ठीक ट्यून करने के लिए निम्न-श्रेणी प्रसार आदर्श ग्रीनबैक लोरा; तथा उपर्युक्त LayerDiffuse पर भी लागू होता है।

डेटा के लिए, MAGICK डेटासेट से 3000 छवियों का उपयोग किया गया।

मैजिक डेटासेट से उदाहरण, जिसमें से 3000 छवियों को नई प्रणाली के लिए परीक्षण में क्यूरेट किया गया था। स्रोत: https://ryanndagreat.github.io/MAGICK/Explorer/magick_rgba_explorer.html

मैट्रिक्स के लिए, लेखकों ने उपयोग किया फ़्रेचेट आरंभिक दूरी (FID) का उपयोग अग्रभूमि गुणवत्ता का आकलन करने के लिए किया जाता है। उन्होंने m-FID नामक एक परियोजना-विशिष्ट मीट्रिक भी विकसित किया है, जो बिरेफनेट परिणामी मास्क की गुणवत्ता का आकलन करने के लिए एक प्रणाली का उपयोग किया जाएगा।

BiRefNet प्रणाली की पूर्ववर्ती विधियों से दृश्य तुलना। स्रोत: https://arxiv.org/pdf/2401.03407

इनपुट संकेतों के साथ अर्थगत संरेखण का परीक्षण करने के लिए, क्लिप-वाक्य (क्लिप-एस) और क्लिप-छवि (क्लिप-आई) विधियों का इस्तेमाल किया गया। CLIP-S प्रॉम्प्ट निष्ठा का मूल्यांकन करता है, और CLIP-I जमीनी सच्चाई के लिए दृश्य समानता का मूल्यांकन करता है।

नई विधि के लिए गुणात्मक परिणामों का पहला सेट, इस बार स्थिर प्रसार V1.5 के लिए। बेहतर रिज़ॉल्यूशन के लिए कृपया स्रोत PDF देखें।

लेखकों का दावा है कि परिणाम (क्रमशः ऊपर और नीचे, SD1.5 और SDXL में दर्शाए गए) दर्शाते हैं कि TKG-DM शीघ्र-इंजीनियरिंग या मॉडल को प्रशिक्षित या परिष्कृत करने की आवश्यकता के बिना ही बेहतर परिणाम प्राप्त करता है।

SDXL गुणात्मक परिणाम। बेहतर रिज़ॉल्यूशन के लिए कृपया स्रोत PDF देखें।

उन्होंने पाया कि उत्पन्न परिणामों में हरे रंग की पृष्ठभूमि उत्पन्न करने के लिए, स्टेबल डिफ्यूजन 1.5 को स्वच्छ पृष्ठभूमि उत्पन्न करने में कठिनाई होती है, जबकि SDXL (हालांकि थोड़ा बेहतर प्रदर्शन करता है) अस्थिर हल्के हरे रंग की आभा उत्पन्न करता है, जो क्रोमा प्रक्रिया में पृथक्करण में बाधा उत्पन्न कर सकता है।

उन्होंने आगे बताया कि LayerDiffuse अच्छी तरह से अलग-अलग पृष्ठभूमि तो बनाता है, लेकिन कभी-कभी सटीक संख्याओं या अक्षरों जैसे विवरण खो देता है, और लेखक इसका कारण डेटासेट की सीमाओं को मानते हैं। वे आगे कहते हैं कि मास्क जनरेशन भी कभी-कभी विफल हो जाता है, जिसके परिणामस्वरूप 'अनकट' छवियां प्राप्त होती हैं।

मात्रात्मक परीक्षणों के लिए, हालाँकि FID के लिए SDXL में LayerDiffuse स्पष्ट रूप से बेहतर है, लेखक इस बात पर ज़ोर देते हैं कि यह एक विशिष्ट डेटासेट का परिणाम है जो प्रभावी रूप से एक 'बेक्ड' और गैर-लचीला उत्पाद बनाता है। जैसा कि पहले उल्लेख किया गया है, उस डेटासेट में शामिल न किए गए या अपर्याप्त रूप से शामिल किए गए कोई भी ऑब्जेक्ट या वर्ग उतना अच्छा प्रदर्शन नहीं कर सकते हैं, जबकि नए वर्गों को समायोजित करने के लिए आगे की फ़ाइन-ट्यूनिंग उपयोगकर्ता पर क्यूरेशन और प्रशिक्षण का बोझ डालती है।

तुलना के लिए मात्रात्मक परिणाम। पेपर में कहा गया है कि लेयरडिफ्यूज का स्पष्ट लाभ लचीलेपन, और डेटा संरक्षण एवं प्रशिक्षण के बोझ की कीमत पर आता है।

पेपर बताता है:

डीपफ्लॉयड के उच्च FID, m-FID और CLIP-I स्कोर डीपफ्लॉयड के आउटपुट पर आधारित जमीनी सच्चाई से इसकी समानता को दर्शाते हैं। हालाँकि, यह संरेखण इसे एक अंतर्निहित लाभ देता है, जो इसे छवि गुणवत्ता के लिए एक उचित बेंचमार्क के रूप में अनुपयुक्त बनाता है। इसका कम CLIP-S स्कोर अन्य मॉडलों की तुलना में कमजोर टेक्स्ट संरेखण को इंगित करता है।

कुल मिलाकर, ये परिणाम बिना किसी फाइन-ट्यूनिंग के उच्च-गुणवत्ता, पाठ-संरेखित अग्रभूमि उत्पन्न करने की हमारी मॉडल की क्षमता को रेखांकित करते हैं, जो एक कुशल क्रोमा कुंजी सामग्री निर्माण समाधान प्रदान करता है।'

अंत में, शोधकर्ताओं ने विभिन्न विधियों में त्वरित अनुपालन का मूल्यांकन करने के लिए एक उपयोगकर्ता अध्ययन किया। सौ प्रतिभागियों को प्रत्येक विधि से 30 छवि युग्मों का मूल्यांकन करने के लिए कहा गया, जिसमें सभी उदाहरणों में BiRefNet और मैन्युअल परिशोधन का उपयोग करके विषयों को निकाला गया। इस अध्ययन में लेखकों के प्रशिक्षण-मुक्त दृष्टिकोण को प्राथमिकता दी गई।

उपयोगकर्ता अध्ययन के परिणाम.

टीकेजी-डीएम लोकप्रिय के साथ संगत है कंट्रोलनेट स्थिर प्रसार के लिए एक तृतीय-पक्ष प्रणाली का उपयोग किया गया है, और लेखकों का तर्क है कि यह इस प्रकार के पृथक्करण को प्राप्त करने के लिए कंट्रोलनेट की मूल क्षमता से बेहतर परिणाम देता है।

निष्कर्ष

इस नए शोधपत्र से संभवतः सबसे उल्लेखनीय बात यह है कि अव्यक्त प्रसार मॉडल किस हद तक उलझे हुए हैं, जबकि लोकप्रिय सार्वजनिक धारणा यह है कि नई विषय-वस्तु तैयार करते समय वे छवियों और वीडियो के पहलुओं को आसानी से अलग कर सकते हैं।

अध्ययन में इस बात पर भी जोर दिया गया है कि अनुसंधान और शौकिया समुदाय किस हद तक एक बेहतर समाधान के रूप में फाइन-ट्यूनिंग की ओर मुड़ गए हैं। कार्योत्तर मंजूरी मॉडल की कमियों को ठीक करें – एक ऐसा समाधान जो हमेशा विशिष्ट वर्गों और ऑब्जेक्ट प्रकारों को संबोधित करेगा। ऐसे परिदृश्य में, एक परिष्कृत मॉडल या तो सीमित संख्या में वर्गों पर बहुत अच्छी तरह से काम करेगा, या फिर यों ही प्रशिक्षण सेटों में डेटा की उच्च मात्रा के अनुसार, संभावित वर्गों और वस्तुओं की बहुत अधिक मात्रा पर।

इसलिए यह देखना सुखद है कि कम से कम एक समाधान ऐसा है जो ऐसे श्रमसाध्य और तर्कसंगत रूप से कपटपूर्ण समाधानों पर निर्भर नहीं है।

* 1978 की फिल्म की शूटिंग अतिमानवअभिनेता क्रिस्टोफर रीव को एक टोपी पहनना अनिवार्य था। फ़िरोज़ा ब्लू-स्क्रीन प्रक्रिया शॉट्स के लिए सुपरमैन पोशाक का इस्तेमाल किया गया, ताकि प्रतिष्ठित नीली पोशाक मिटने से बच सके। पोशाक का नीला रंग बाद में कलर-ग्रेडिंग के ज़रिए बहाल किया गया।