AI के साथ मानव छवियों को पुनर्स्थापित करना और संपादित करना

कैलिफोर्निया विश्वविद्यालय मर्सिड और एडोब के बीच एक नया सहयोग अत्याधुनिक तकनीक पर एक प्रगति प्रदान करता है मानव छवि पूर्णता - लोगों की छवियों के अवरुद्ध या छिपे हुए हिस्सों को 'अस्पष्ट करने' का बहुत अध्ययन किया गया कार्य, जैसे उद्देश्यों के लिए आभासी कोशिश, एनीमेशन और फोटो संपादन।

क्षतिग्रस्त छवियों की मरम्मत करने या उपयोगकर्ता की इच्छा के अनुसार उन्हें बदलने के अलावा, कम्प्लीटमी जैसी मानव छवि पूर्णता प्रणालियाँ मौजूदा छवियों में नए कपड़े (एक सहायक संदर्भ छवि के माध्यम से, जैसा कि इन दो उदाहरणों में मध्य स्तंभ में है) लगा सकती हैं। ये उदाहरण नए पेपर के लिए व्यापक पूरक पीडीएफ से लिए गए हैं। स्रोत: https://liagm.github.io/CompleteMe/pdf/supp.pdf

RSI नया दृष्टिकोण, शीर्षक कम्प्लीटमी: संदर्भ-आधारित मानव छवि पूर्णता, सिस्टम को यह 'सुझाव' देने के लिए पूरक इनपुट छवियों का उपयोग करता है कि किस सामग्री को मानव चित्रण के छिपे हुए या गायब भाग को प्रतिस्थापित करना चाहिए (इसलिए फैशन-आधारित ट्राई-ऑन फ्रेमवर्क के लिए प्रयोज्यता):

कम्प्लीटमी प्रणाली, मानव छवि के अस्पष्ट या अवरुद्ध भाग के संदर्भ सामग्री को अनुरूपित कर सकती है।

नई प्रणाली दोहरी प्रणाली का उपयोग करती है यू-नेट वास्तुकला और एक क्षेत्र-केंद्रित ध्यान (आरएफए) ब्लॉक जो छवि पुनर्स्थापना इंस्टैंस के प्रासंगिक क्षेत्र में संसाधनों को मार्शल करता है।

शोधकर्ताओं ने संदर्भ-आधारित पूर्णता कार्यों का मूल्यांकन करने के लिए एक नई और चुनौतीपूर्ण बेंचमार्क प्रणाली भी प्रस्तुत की है (चूंकि कम्प्लीटमी, कम्प्यूटर विज़न में मौजूदा और चल रहे शोध का हिस्सा है, हालांकि अब तक इसकी कोई बेंचमार्क स्कीमा नहीं थी)।

परीक्षणों में, और एक अच्छी तरह से स्केल किए गए उपयोगकर्ता अध्ययन में, नई विधि अधिकांश मीट्रिक में आगे आई, और कुल मिलाकर आगे रही। कुछ मामलों में, प्रतिद्वंद्वी विधियाँ संदर्भ-आधारित दृष्टिकोण से पूरी तरह से भ्रमित थीं:

पूरक सामग्री से: AnyDoor विधि को यह निर्णय लेने में विशेष कठिनाई होती है कि संदर्भ छवि की व्याख्या कैसे की जाए।

पेपर बताता है:

'हमारे बेंचमार्क पर किए गए व्यापक प्रयोगों से पता चलता है कि मात्रात्मक मीट्रिक्स, गुणात्मक परिणामों और उपयोगकर्ता अध्ययनों के संदर्भ में कम्प्लीटमी, संदर्भ-आधारित और गैर-संदर्भ-आधारित दोनों ही अत्याधुनिक विधियों से बेहतर प्रदर्शन करता है।

'विशेष रूप से जटिल मुद्राओं, जटिल वस्त्र पैटर्न और विशिष्ट सहायक उपकरणों से जुड़े चुनौतीपूर्ण परिदृश्यों में, हमारा मॉडल लगातार उत्कृष्ट दृश्य निष्ठा और अर्थगत सुसंगति प्राप्त करता है।'

दुःख की बात है कि इस परियोजना का GitHub उपस्थिति इसमें कोई कोड नहीं है, न ही कोई वादा है, और पहल, जिसमें एक मामूली भी है परियोजना पृष्ठ, एक मालिकाना वास्तुकला के रूप में तैयार किया गया लगता है।

नई प्रणाली के पिछले तरीकों के मुकाबले व्यक्तिपरक प्रदर्शन का एक और उदाहरण। लेख में आगे और अधिक विवरण।

विधि

कम्प्लीटमी फ्रेमवर्क को संदर्भ यू-नेट द्वारा समर्थित किया गया है, जो प्रक्रिया में सहायक सामग्री के एकीकरण को संभालता है, और एक सुसंगत यू-नेट, जो अंतिम परिणाम प्राप्त करने के लिए प्रक्रियाओं की एक विस्तृत श्रृंखला को समायोजित करता है, जैसा कि नीचे दिए गए वैचारिक स्कीमा में दर्शाया गया है:

CompleteMe के लिए संकल्पनात्मक स्कीमा. स्रोत: https://arxiv.org/pdf/2504.20042

सिस्टम सबसे पहले मास्क्ड इनपुट इमेज को एक लेटेंट रिप्रेजेंटेशन में एनकोड करता है। उसी समय, रेफरेंस यू-नेट कई रेफरेंस इमेज को प्रोसेस करता है - जिनमें से प्रत्येक अलग-अलग बॉडी एरिया को दिखाता है - विस्तृत स्थानिक निकालने के लिए विशेषताएं.

ये विशेषताएँ 'पूर्ण' यू-नेट में सन्निहित क्षेत्र-केंद्रित ध्यान ब्लॉक से होकर गुजरती हैं, जहाँ वे चुनिंदा ढंग से छिपाया गया संगत क्षेत्र मास्क का उपयोग करते हुए, यह सुनिश्चित करना कि मॉडल संदर्भ छवियों में केवल प्रासंगिक क्षेत्रों पर ही ध्यान दे।

फिर छिपी हुई विशेषताओं को वैश्विक के साथ एकीकृत किया जाता है क्लिप-वियुग्मित के माध्यम से व्युत्पन्न अर्थगत विशेषताएँ क्रॉस-ध्यान, जिससे मॉडल को सूक्ष्म विवरण और अर्थगत सुसंगति के साथ लुप्त विषय-वस्तु का पुनर्निर्माण करने की अनुमति मिलती है।

यथार्थवाद और मजबूती को बढ़ाने के लिए, इनपुट मास्किंग प्रक्रिया यादृच्छिक ग्रिड-आधारित अवरोधों को मानव शरीर के आकार के मास्क के साथ जोड़ती है, जिनमें से प्रत्येक को समान संभावना के साथ लागू किया जाता है, जिससे मॉडल द्वारा पूरा किए जाने वाले लुप्त क्षेत्रों की जटिलता बढ़ जाती है।

केवल संदर्भ के लिए

संदर्भ-आधारित छवि इनपेंटिंग के लिए पिछली विधियाँ आम तौर पर इस पर निर्भर करती थीं अर्थ-स्तर एनकोडर। इस तरह की परियोजनाओं में CLIP स्वयं शामिल है, और DINOv2दोनों ही संदर्भ छवियों से वैश्विक विशेषताएं निकालते हैं, लेकिन अक्सर सटीक पहचान संरक्षण के लिए आवश्यक सूक्ष्म स्थानिक विवरण खो देते हैं।

पुराने DINOV2 दृष्टिकोण के लिए रिलीज़ पेपर से, जिसे नए अध्ययन में तुलनात्मक परीक्षणों में शामिल किया गया है: रंगीन ओवरले प्रिंसिपल कंपोनेंट एनालिसिस (PCA) से पहले तीन मुख्य घटकों को दिखाते हैं, जिन्हें प्रत्येक कॉलम के भीतर छवि पैच पर लागू किया जाता है, जो इस बात पर प्रकाश डालता है कि DINOv2 विभिन्न छवियों में समान ऑब्जेक्ट भागों को एक साथ कैसे समूहित करता है। मुद्रा, शैली या रेंडरिंग में अंतर के बावजूद, संबंधित क्षेत्र (जैसे पंख, अंग या पहिए) लगातार मेल खाते हैं, जो पर्यवेक्षण के बिना भाग-आधारित संरचना सीखने की मॉडल की क्षमता को दर्शाता है। स्रोत: https://arxiv.org/pdf/2304.07193

कम्प्लीटमी इस पहलू को एक विशेष संदर्भ यू-नेट के माध्यम से संबोधित करता है जिसे आरंभ किया गया है स्थिर प्रसार 1.5, लेकिन बिना संचालन प्रसार शोर चरण*.

प्रत्येक संदर्भ छवि, जो शरीर के विभिन्न क्षेत्रों को कवर करती है, इस यू-नेट के माध्यम से विस्तृत अव्यक्त विशेषताओं में एनकोड की जाती है। CLIP का उपयोग करके वैश्विक अर्थ संबंधी विशेषताओं को भी अलग से निकाला जाता है, और ध्यान-आधारित एकीकरण के दौरान कुशल उपयोग के लिए दोनों सेट की विशेषताओं को कैश किया जाता है। इस प्रकार, सिस्टम कई संदर्भ इनपुट को लचीले ढंग से समायोजित कर सकता है, जबकि बारीक-बारीक उपस्थिति जानकारी को संरक्षित करता है।

वाद्य-स्थान

समेकित यू-नेट समापन प्रक्रिया के अंतिम चरणों का प्रबंधन करता है। इनपेंटिंग वैरिएंट स्थिर प्रसार 1.5 के लिए, यह अव्यक्त रूप में मास्क्ड स्रोत छवि को इनपुट के रूप में लेता है, साथ ही संदर्भ छवियों से प्राप्त विस्तृत स्थानिक विशेषताओं और CLIP एनकोडर द्वारा निकाले गए वैश्विक अर्थगत विशेषताओं को भी लेता है।

इन विभिन्न इनपुटों को आरएफए ब्लॉक के माध्यम से एक साथ लाया जाता है, जो मॉडल का ध्यान संदर्भ सामग्री के सबसे प्रासंगिक क्षेत्रों की ओर केंद्रित करने में महत्वपूर्ण भूमिका निभाता है।

ध्यान तंत्र में प्रवेश करने से पहले, संदर्भ विशेषताओं को स्पष्ट रूप से मास्क किया जाता है ताकि असंबंधित क्षेत्रों को हटाया जा सके और फिर स्रोत छवि के अव्यक्त प्रतिनिधित्व के साथ संयोजित किया जा सके, जिससे यह सुनिश्चित हो सके कि ध्यान यथासंभव सटीक रूप से निर्देशित हो।

इस एकीकरण को बढ़ाने के लिए, कम्प्लीटमी ने एक पृथक क्रॉस-अटेंशन मैकेनिज्म को शामिल किया है, जिसे आईपी-एडाप्टर ढांचा:

आईपी-एडेप्टर, जिसका एक भाग कम्प्लीटमी में शामिल है, लेटेंट डिफ्यूजन मॉडल आर्किटेक्चर के विकास के पिछले तीन वर्षों में सबसे सफल और अक्सर उपयोग में लाई जाने वाली परियोजनाओं में से एक है। स्रोत: https://ip-adapter.github.io/

इससे मॉडल को अलग-अलग ध्यान धाराओं के माध्यम से स्थानिक रूप से विस्तृत दृश्य विशेषताओं और व्यापक अर्थगत संदर्भ को संसाधित करने की अनुमति मिलती है, जिन्हें बाद में संयोजित किया जाता है, जिसके परिणामस्वरूप एक सुसंगत पुनर्निर्माण होता है, जो, लेखकों का तर्क है, पहचान और बारीक विवरण दोनों को संरक्षित करता है।

बेंचमार्किंग

संदर्भ-आधारित मानवीय पूर्णता के लिए उपयुक्त डेटासेट की अनुपस्थिति में, शोधकर्ताओं ने अपना स्वयं का डेटासेट प्रस्तावित किया है। (अनाम) बेंचमार्क का निर्माण एडोब रिसर्च के 2023 के लिए तैयार WPose डेटासेट से चुनिंदा छवि जोड़ों को क्यूरेट करके किया गया था। यूनीह्यूमन परियोजना.

एडोब रिसर्च 2023 यूनीह्यूमन परियोजना से पोज़ के उदाहरण। स्रोत: https://github.com/adobe-research/UniHuman?tab=readme-ov-file#data-prep

शोधकर्ताओं ने इनपेंटिंग क्षेत्रों को इंगित करने के लिए मैन्युअल रूप से स्रोत मास्क बनाए, जिससे अंततः 417 त्रिपक्षीय छवि समूह प्राप्त हुए, जिनमें एक स्रोत छवि, मास्क और संदर्भ छवि शामिल थी।

समूहों के दो उदाहरण, जो आरम्भ में संदर्भ WPose डेटासेट से लिए गए थे, तथा नए शोधपत्र के शोधकर्ताओं द्वारा बड़े पैमाने पर संकलित किए गए थे।

लेखक इस्तेमाल करते थे लावा स्रोत छवियों का वर्णन करने वाले पाठ संकेत उत्पन्न करने के लिए वृहद भाषा मॉडल (एलएलएम)।

उपयोग किए गए मेट्रिक्स सामान्य से अधिक व्यापक थे; सामान्य के अलावा पीक सिग्नल-टू-शोर अनुपात (पीएसएनआर), संरचनात्मक समानता सूचकांक (एसएसआईएम) और सीखी गई अवधारणात्मक छवि पैच समानता (एलपीआईपीएस, इस मामले में छिपे हुए क्षेत्रों के मूल्यांकन के लिए), शोधकर्ताओं ने समानता स्कोर के लिए डीआईएनओ का उपयोग किया; ड्रीमसिम परिणाम मूल्यांकन के लिए; और CLIP.

डेटा और परीक्षण

काम का परीक्षण करने के लिए, लेखकों ने डिफ़ॉल्ट स्टेबल डिफ्यूज़न V1.5 मॉडल और 1.5 इनपेंटिंग मॉडल दोनों का उपयोग किया। सिस्टम के इमेज एनकोडर ने CLIP का उपयोग किया विज़न मॉडल, प्रक्षेपण परतों के साथ - मामूली तंत्रिका नेटवर्क जो मॉडल द्वारा उपयोग किए जाने वाले आंतरिक फीचर आयामों से मेल खाने के लिए CLIP आउटपुट को पुनः आकार देते हैं या संरेखित करते हैं।

आठ NVIDIA A30,000 पर 100 पुनरावृत्तियों के लिए प्रशिक्षण दिया गया^† GPUs, द्वारा पर्यवेक्षित मतलब चुकता त्रुटि (एमएसई) हानि, बैच का आकार of 64 और ए सीखने की दर 2 × 10 का^-5प्रशिक्षण के दौरान सिस्टम को नुकसान से बचाने के लिए विभिन्न तत्वों को बेतरतीब ढंग से हटा दिया गया था। ओवरफिटिंग डेटा पर.

डेटासेट को संशोधित किया गया था भागों से संपूर्ण तक डेटासेट, जो स्वयं पर आधारित है डीपफैशन-मल्टीमॉडल डाटासेट।

पार्ट्स टू होल डेटासेट से उदाहरण, कम्प्लीटमी के लिए क्यूरेटेड डेटा के विकास में उपयोग किए गए। स्रोत: https://huanngzh.github.io/Parts2Whole/

लेखक कहते हैं:

'अपनी आवश्यकताओं को पूरा करने के लिए, हमने कई संदर्भ छवियों के साथ अवरुद्ध छवियों का उपयोग करके प्रशिक्षण जोड़ों का पुनर्निर्माण किया, जो मानव उपस्थिति के विभिन्न पहलुओं को उनके छोटे पाठ्य लेबल के साथ कैप्चर करते हैं।

'हमारे प्रशिक्षण डेटा में प्रत्येक नमूने में छह प्रकार की उपस्थिति शामिल है: ऊपरी शरीर के कपड़े, निचले शरीर के कपड़े, पूरे शरीर के कपड़े, बाल या सिर के कपड़े, चेहरा और जूते। मास्किंग रणनीति के लिए, हम 50 से 1 बार के बीच 30% यादृच्छिक ग्रिड मास्किंग लागू करते हैं, जबकि अन्य 50% के लिए, हम मास्किंग जटिलता को बढ़ाने के लिए मानव शरीर के आकार के मास्क का उपयोग करते हैं।

'निर्माण पाइपलाइन के बाद, हमें प्रशिक्षण के लिए 40,000 छवि जोड़े प्राप्त हुए।'

प्रतिद्वंद्वी पूर्व गैर संदर्भ परीक्षण की गई विधियाँ बड़ी अवरुद्ध मानव छवि पूर्णता (एलओएचसी) और प्लग-एंड-प्ले इमेज इनपेंटिंग मॉडल ब्रशनेटसंदर्भ-आधारित मॉडलों का परीक्षण किया गया पेंट-बाय-उदाहरण; एनीडोर; बायाँरिफ़िल, और मिमिकब्रश.

लेखकों ने पहले बताए गए मापदंडों पर मात्रात्मक तुलना के साथ शुरुआत की:

प्रारंभिक मात्रात्मक तुलना के परिणाम.

मात्रात्मक मूल्यांकन के संबंध में, लेखक बताते हैं कि कम्प्लीटमी अधिकांश अवधारणात्मक मैट्रिक्स पर सर्वोच्च स्कोर प्राप्त करता है, जिसमें CLIP-I, DINO, DreamSim और LPIPS शामिल हैं, जिनका उद्देश्य आउटपुट और संदर्भ छवि के बीच अर्थगत संरेखण और उपस्थिति निष्ठा को पकड़ना है।

हालाँकि, मॉडल सभी बेसलाइनों से बेहतर प्रदर्शन नहीं करता है। उल्लेखनीय रूप से, ब्रशनेट CLIP-T पर सबसे अधिक स्कोर करता है, लेफ्टरीफिल SSIM और PSNR में सबसे आगे है, और मिमिकब्रश CLIP-I पर थोड़ा बेहतर प्रदर्शन करता है।

जबकि कम्प्लीटमी समग्र रूप से लगातार मजबूत परिणाम दिखाता है, कुछ मामलों में प्रदर्शन अंतर मामूली है, और कुछ मीट्रिक प्रतिस्पर्धी पूर्व विधियों द्वारा संचालित होते हैं। शायद अनुचित नहीं है, लेखक इन परिणामों को संरचनात्मक और अवधारणात्मक दोनों आयामों में कम्प्लीटमी की संतुलित शक्ति के प्रमाण के रूप में प्रस्तुत करते हैं।

अध्ययन के लिए किए गए गुणात्मक परीक्षणों के चित्रण इतने अधिक हैं कि उन्हें यहां पुन: प्रस्तुत नहीं किया जा सकता, और हम पाठक को न केवल स्रोत पेपर, बल्कि व्यापक रूप से संदर्भित करते हैं अनुपूरक पीडीएफ, जिसमें कई अतिरिक्त गुणात्मक उदाहरण शामिल हैं।

हम मुख्य पेपर में प्रस्तुत प्राथमिक गुणात्मक उदाहरणों पर प्रकाश डालते हैं, साथ ही इस लेख में पहले प्रस्तुत पूरक छवि पूल से लिए गए अतिरिक्त मामलों का चयन भी करते हैं:

प्रारंभिक गुणात्मक परिणाम मुख्य पेपर में प्रस्तुत किए गए हैं। बेहतर समाधान के लिए कृपया स्रोत पेपर देखें।

ऊपर प्रदर्शित गुणात्मक परिणामों के बारे में लेखक टिप्पणी करते हैं:

'मास्क्ड इनपुट दिए जाने पर, ये गैर-संदर्भ विधियां छवि पूर्वसूचकों या पाठ संकेतों का उपयोग करके मास्क्ड क्षेत्रों के लिए विश्वसनीय सामग्री उत्पन्न करती हैं।

'हालांकि, जैसा कि लाल बॉक्स में दर्शाया गया है, वे विशिष्ट विवरण, जैसे टैटू या अद्वितीय वस्त्र पैटर्न, को पुनरुत्पादित नहीं कर सकते, क्योंकि उनके पास समान जानकारी के पुनर्निर्माण हेतु संदर्भ छवियों का अभाव है।'

दूसरी तुलना, जिसका एक हिस्सा नीचे दिखाया गया है, चार संदर्भ-आधारित विधियों पेंट-बाय-एग्जाम्पल, एनीडोर, लेफ्टरीफिल और मिमिकब्रश पर केंद्रित है। यहाँ केवल एक संदर्भ छवि और एक टेक्स्ट प्रॉम्प्ट प्रदान किया गया था।

संदर्भ-आधारित विधियों के साथ गुणात्मक तुलना। कम्प्लीटमी अधिक यथार्थवादी पूर्णताएं उत्पन्न करता है और संदर्भ छवि से विशिष्ट विवरणों को बेहतर ढंग से संरक्षित करता है। लाल बॉक्स विशेष रुचि के क्षेत्रों को हाइलाइट करते हैं।

लेखक कहते हैं:

'एक छिपी हुई मानव छवि और एक संदर्भ छवि को देखते हुए, अन्य विधियां विश्वसनीय सामग्री उत्पन्न कर सकती हैं, लेकिन अक्सर संदर्भ से प्रासंगिक जानकारी को सटीक रूप से संरक्षित करने में विफल रहती हैं।

'कुछ मामलों में, वे अप्रासंगिक सामग्री उत्पन्न करते हैं या संदर्भ छवि से संबंधित भागों को गलत तरीके से मैप करते हैं। इसके विपरीत, कम्प्लीटमी समान जानकारी को सटीक रूप से संरक्षित करके और संदर्भ छवि से मानव शरीर के संबंधित भागों को सही ढंग से मैप करके मास्क किए गए क्षेत्र को प्रभावी ढंग से पूरा करता है।'

यह आकलन करने के लिए कि मॉडल मानवीय धारणा के साथ कितनी अच्छी तरह से संरेखित हैं, लेखकों ने 15 एनोटेटर्स और 2,895 नमूना जोड़ों को शामिल करते हुए एक उपयोगकर्ता अध्ययन किया। प्रत्येक जोड़े ने कम्प्लीटमी के आउटपुट की तुलना चार संदर्भ-आधारित बेसलाइनों में से एक से की: पेंट-बाय-एग्जाम्पल, एनीडोर, लेफ्टरीफिल, या मिमिकब्रश।

एनोटेटर्स ने प्रत्येक परिणाम का मूल्यांकन पूर्ण क्षेत्र की दृश्य गुणवत्ता और संदर्भ से पहचान सुविधाओं को संरक्षित करने की सीमा के आधार पर किया - और यहां, समग्र गुणवत्ता और पहचान का मूल्यांकन करते हुए, कम्प्लीटमी ने एक अधिक निश्चित परिणाम प्राप्त किया:

उपयोगकर्ता अध्ययन के परिणाम.

निष्कर्ष

यदि कुछ भी हो, तो इस अध्ययन के गुणात्मक परिणाम उनकी विशाल मात्रा के कारण कमजोर हो जाते हैं, क्योंकि बारीकी से जांच से पता चलता है कि नई प्रणाली तंत्रिका छवि संपादन के इस अपेक्षाकृत विशिष्ट लेकिन अत्यधिक लोकप्रिय क्षेत्र में सबसे प्रभावी प्रवेश है।

हालांकि, यह समझने के लिए कि पिछली विधियों की तुलना में (लगभग सभी मामलों में) सिस्टम अवरुद्ध क्षेत्र में संदर्भ सामग्री को कितनी अच्छी तरह से अनुकूलित करता है, इसके लिए थोड़ी अतिरिक्त सावधानी और मूल पीडीएफ पर ज़ूम-इन करने की आवश्यकता होती है।

हम पाठकों को दृढ़तापूर्वक सलाह देते हैं कि वे पूरक सामग्री में प्रस्तुत परिणामों की प्रारंभिक रूप से भ्रमित करने वाली, बल्कि अत्यधिक विस्तृत श्रृंखला को ध्यानपूर्वक जांच लें।

* यह ध्यान रखना दिलचस्प है कि अब गंभीर रूप से पुराना हो चुका V1.5 संस्करण शोधकर्ताओं का पसंदीदा बना हुआ है - आंशिक रूप से विरासत में मिली समान-से-समान परीक्षण के कारण, लेकिन इसलिए भी क्योंकि यह सबसे कम सेंसर किया गया है और संभवतः सभी स्थिर प्रसार पुनरावृत्तियों में सबसे आसानी से प्रशिक्षित करने योग्य है, और यह अन्य संस्करणों के समान नहीं है। निंदनीय लंगड़ाना FOSS फ्लक्स रिलीज की.

^† VRAM की विस्तृत जानकारी नहीं दी गई है - यह प्रति कार्ड 40GB या 80GB होगी।

पहली बार प्रकाशित मंगलवार, 29 अप्रैल 2025