एआई के माध्यम से मोटा होने के फायदे

एक नया एआई सिस्टम वास्तविक रूप से लोगों के शरीर को फोटो में बदल सकता है, उन्हें मोटा, पतला या अधिक मांसपेशियों वाला बना सकता है, बिना उनके चेहरे, कपड़ों या पृष्ठभूमि को बदले। यह सिस्टम पूरी तरह से सिंथेटिक डेटासेट पर प्रशिक्षित किया गया है जो प्रत्येक पहचान को कई शरीर प्रकारों में दिखाता है।

एआई का उपयोग शरीर के आकार को सोशल नेटवर्क पर परिष्कृत करने के तरीके के रूप में बढ़ती तरह से, या (संभावित रूप से) वीएफएक्स उद्देश्यों के लिए शरीर के प्रकार को बदलने के लिए, मशीन लर्निंग का उपयोग व्यक्तियों की उपस्थिति को बदलने के लिए एक और महत्वपूर्ण कार्य कर सकता है: खाने के विकार वाले व्यक्तियों को उनके अपने द्वारा विकृत व्याख्या को समझने में मदद करना, साथ ही साथ अधिक सामान्य खेल और फिटनेस उद्देश्यों के लिए एक संभावित प्रेरक उपकरण प्रदान करना:

पेपर ‘बॉडी साइज़ एस्टीमेशन इन वुमेन विद एनोरेक्सिया नर्वोसा एंड हेल्दी कंट्रोल्स यूज़िंग 3डी अवतार’ से एक जीयूआई बॉडी शेप चेंजेस को विज़ुअलाइज़ करने के लिए। बॉडी डिसमॉर्फिया वाले व्यक्ति अपने शरीर की एक वास्तविक व्याख्या के साथ एक समान छवि को जोड़ने में संघर्ष कर सकते हैं, जिससे क्लिनिशियन को डिसमॉर्फिक प्रतिक्रियाओं के लिए एक मेट्रिक प्रदान किया जा सकता है, अन्य उद्देश्यों के लिए। Source: https://www.nature.com/articles/s41598-017-15339-z.pdf

इसके अलावा, फैशन ट्राई-ऑन सब-स्ट्रैंड में कंप्यूटर विज़न रिसर्च में भी विभिन्न शरीर के आकारों में सटीक दृश्यात्मककरण प्रदान करने में रुचि है। इस बीच, जापान के त्सुकुबा विश्वविद्यालय के 2024 के डिफबॉडी ऑफरिंग जैसे फ्रेमवर्क ने इस क्षेत्र में कुछ आंखों को पकड़ने वाली कार्यक्षमता बनाई है:

पिछले डिफबॉडी तकनीक का उपयोग करके संभव कुछ परिवर्तन। स्रोत: https://arxiv.org/pdf/2401.02804

चूंकि एआई फाउंडेशन मॉडल सामान्य रूप से आकर्षक या अन्य सामान्य शरीर के आकारों के प्रति अनुकूलित होते हैं, असामान्य आकार जैसे ‘मोटा’ मानक मॉडल में कम से कम उपलब्ध होते हैं या कुछ दंडात्मक पूर्वाग्रह के साथ आते हैं।

जोड़ी आवश्यकताएं

लोगों की तस्वीरों में वास्तविक रूप से वसा या मांसपेशियों को जोड़ने या घटाने के लिए एआई सिस्टम बनाने में सबसे बड़ी चुनौतियों में से एक यह है कि यह जोड़ी प्रशिक्षण शामिल है, जहां एआई सिस्टम प्रभावी रूप से ‘पहले’ और ‘बाद’ की छवियों को सीखता है जो किसी भी परिवर्तन को परिभाषित करता है जिसे मॉडल करने का इरादा है。

इस प्रकार का प्रशिक्षण गर्मियों के दौरान ब्लैक फॉरेस्ट लैब्स के कॉन्टेक्स्ट श्रृंखला की छवि संपादन मॉडल की सफलता के कारण फिर से प्रमुखता में आया है, जहां इस प्रकार के जोड़ी डेटा का उपयोग मॉडल को विभिन्न परिवर्तन सिखाने के लिए किया गया था:

फ्लक्स कॉन्टेक्स्ट साइट से एक परिवर्तन का उदाहरण जो आवश्यक स्रोत डेटा को दर्शाता है। स्रोत: https://bfl.ai/models/flux-kontext

स्पष्ट रूप से, एक मॉडल विकसित करने के मामले में जो व्यक्ति की उपस्थिति को काफी बदल सकता है (पूरी छवि को पुनः कल्पना किए बिना), कुछ ऐसा चाहिए जो वास्तविक दुनिया में पूरी तरह से असंभव है: कुछ सेकंड के भीतर ली गई कट्टर ‘पहले’ और ‘बाद’ की तस्वीरें।

एकमात्र उपाय सिंथेटिक डेटा है। इस प्रकार की परियोजनाओं में से कुछ ने फोटोशॉप में मैन्युअल रूप से बनाए गए व्यक्तिगत, उच्च-प्रयास वाले विपरीत जोड़े का उपयोग किया है; हालांकि, यह पैमाने पर अवास्तविक है, और एक स्वचालित या अर्ध-स्वचालित, एआई-चालित प्रक्रिया जोड़े को उत्पन्न करने के लिए अब बढ़ती तरह से पसंद की जा रही है。

GAN-आधारित और अधिकांश SMPL/X-आधारित दृष्टिकोणों (जहां एक आभासी सीजीआई आकृति वास्तविक छवियों और वांछित परिवर्तनों के बीच एक प्रकार के विनिमय तंत्र के रूप में कार्य करती है), और दृष्टिकोणों के साथ जो छवि-वार्पिंग का उपयोग करते हैं, यह है कि पृष्ठभूमि और पहचान प्रक्रिया में पीड़ित होने के लिए लगते हैं।

पैरामीट्रिक, वेक्टर-आधारित सीजीआई मॉडल जैसे SMPL और SMPL-X (अन्य लोगों के बीच), जो परिभाषित पारंपरिक भौतिक 3डी निर्देशांक प्रदान करते हैं जो कंप्यूटर विजन फ्रेमवर्क में व्याख्या और एकीकृत किए जा सकते हैं। स्रोत: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

चूंकि यह महत्वपूर्ण है कि एआई केवल वांछित पहलुओं को बदलना सीखे, न कि पृष्ठभूमि और अन्य अवांछित त्रुटियों को विकृत करने के लिए, कोई भी शरीर-परिवर्तन प्रणाली अभी तक एक आदर्श समाधान पर नहीं पहुंची है।

हालांकि, भारत से एक हालिया पेपर राज्य-ऑफ-द-आर्ट पर एक उल्लेखनीय प्रगति का प्रस्ताव करता है, जो पुराने फ्लक्स डिफ्यूजन मॉडल फ्रेमवर्क का उपयोग करके की जाती है, जो कई गौण दृष्टिकोणों के साथ जोड़ दी जाती है जो एक श्रेष्ठ और अधिक सुसंगत जोड़ी डेटासेट को सक्षम बनाती है:

नई परियोजना से डेटासेट के उदाहरण। स्रोत: https://arxiv.org/pdf/2508.13065

परियोजना में एक नया और व्यापक जोड़ी डेटासेट शामिल है; ओडो, एक जनरेटिव डिफ्यूजन मॉडल जो इस डेटा पर प्रशिक्षित है; और एक विशेष रूप से डिज़ाइन किया गया नया बेंचमार्क जो मानव आकार-संपादन प्रदर्शन का मात्रात्मक मूल्यांकन करने के लिए है। परीक्षणों में, लेखक समान मॉडल द्वारा प्राप्त मानकों पर एक उल्लेखनीय प्रगति का दावा करते हैं।

नई पेपर का शीर्षक ओडो: डेप्थ-गाइडेड डिफ्यूजन फॉर आइडेंटिटी-प्रिजर्विंग बॉडी रीशेपिंग है, और यह बैंगलोर में फास्ट कोड एआई प्राइवेट लिमिटेड के तीन शोधकर्ताओं से आया है।

डेटा और विधि

शोधकर्ताओं द्वारा बनाए गए डेटासेट में प्रत्येक लक्ष्य शरीर प्रकार ( मोटा, पतला, और मांसपेशियों वाला ) के लिए 7,615 उच्च-रिज़ॉल्यूशन (960x1280px) छवियां हैं।

प्रारंभ में 1,523 मानव चेहरे FLUX.1-dev 12-बिलियन पैरामीटर डिफ्यूजन मॉडल के माध्यम से उत्पन्न किए गए थे, हालांकि पेक्सल्स और अनस्प्लैश से एक निर्दिष्ट संख्या में लाइसेंस-मुक्त संदर्भ चेहरों का उपयोग विविधता बढ़ाने के लिए किया गया था।

इन चेहरों को पूर्ण-शरीर छवियों में शामिल करने के लिए, शोधकर्ताओं ने बाइटडांस के 2024 के ऑफरिंग PuLID का उपयोग किया, जो बेस फ्लक्स पर फाइन-ट्यून किया गया एक चेकपॉइंट है, और एक विपरीत आईडी हानि की सुविधा है जो परिवर्तनकारी प्रक्रियाओं के दौरान चेहरे की पहचान को संरक्षित करने में मदद करने के लिए डिज़ाइन की गई है:

PuLID परियोजना से उदाहरण। स्रोत: https://arxiv.org/pdf/2404.16022

मॉडल को एक चेहरे की छवि और एक मानकीकृत प्रॉम्प्ट मिला, जिसमें लिंग, कपड़े, मुद्रा, दृश्य, साथ ही पतला, मोटा, या मांसपेशियों वाला शरीर प्रकार का अनुरोध किया गया था।

प्रत्येक पहचान के लिए तीन शरीर प्रकार की छवियां कभी-कभी पृष्ठभूमि संरेखण और विषय के आकार में छोटे बदलाव प्रदर्शित करती हैं, जो डिफ्यूजन मॉडल के स्टोकास्टिक व्यवहार के कारण उत्पन्न होते हैं, जहां प्रत्येक पीढ़ी एक नए शोर बीज से शुरू होती है। प्रॉम्प्ट में भी छोटे बदलाव, जैसे कि शरीर प्रकार के विवरण को संशोधित करना, मॉडल के लेटेंट स्पेस में इसके मार्ग को प्रभावित कर सकते हैं और दृश्य ड्रिफ्ट का कारण बन सकते हैं।

इस परिवर्तनशीलता को ठीक करने के लिए, एक चार-चरण स्वचालित पोस्ट-प्रोसेसिंग पाइपलाइन लागू की गई, जिसमें प्रत्येक त्रिपल में पतला छवि को संदर्भ के रूप में चुना गया था, क्योंकि इसका छोटा सिल्हूट अधिक पृष्ठभूमि को उजागर करता था।

व्यक्ति का पता लगाने के लिए RT-DETRv2 का उपयोग किया गया था, इसके बाद SAM 2.1 के साथ सेगमेंटेशन किया गया ताकि तीनों शरीर प्रकारों के लिए विषय मास्क निकाले जा सकें। पतला रेफरेंस छवि को फिर FLUX.1 Kontext Pro (नया छवि संपादन प्रणाली) के लिए पृष्ठभूमि के लिए इनपेंटिंग के लिए पारित किया गया, जिससे विषय को हटाकर साफ सीन बनाया जा सके।

मोटा और मांसपेशियों वाला संस्करणों को पतले रेफरेंस मास्क की ऊंचाई से मेल खाने के लिए समान स्केलिंग का उपयोग करके पुनरआकारित किया गया था, और एक ही नीचे की संरेखण पर साफ पृष्ठभूमि पर संयोजित किया गया था, जिससे सभी छवियों में फ्रेमिंग की एकरूपता सुनिश्चित हो सके।

लेखकों का कहना है:

‘परिणामी परिवर्तन त्रिपल (पतला, मोटा और मांसपेशियों वाला) में एक ही पृष्ठभूमि और एक समान विषय स्केल है। यह अनावश्यक परिवर्तनशीलता को दूर करता है जो बाद के प्रशिक्षण या मूल्यांकन को नकारात्मक रूप से प्रभावित कर सकता है।’

प्रत्येक त्रिपल की छवियों की जोड़ी में छह संभावित परिवर्तन जोड़े बनाए, जिससे 7,615 पहचानों में 45,690 सैद्धांतिक संयोजन बने।

प्रशिक्षण और परीक्षण

परिणामी छवियों का उपयोग ओडो मॉडल को प्रशिक्षित करने के लिए किया गया था – एक डिफ्यूजन-आधारित दृष्टिकोण मानव को पुनः आकार देने के लिए, स्किन्ड मल्टी-पर्सन लीनियर मॉडल (SMPL, अर्थात मध्यवर्ती सीजीआई) मैप का उपयोग करके।

2024 के न्यूरल लोकलाइज़र की विधियों से सूचित, डेटा को प्रति व्यक्ति के आधार पर SMPL आकृति पर अनुकूलित किया गया था, जिससे परिणामी अनुकूलित पैरामीटर गहराई मानचित्र उत्पन्न कर सकते थे जिससे संशोधित छवियां व्युत्पन्न की जा सकती थीं:

गुणात्मक परीक्षण। उदाहरण मूल छवि से पतले, मोटे और मांसपेशियों वाले शरीर प्रकारों में रूपांतरण दिखाते हैं, जिसमें बैठने और खड़े होने जैसी मुद्राएं शामिल हैं। कृपया बेहतर परिभाषा और विवरण के लिए स्रोत पत्र देखें।