AI ট্যাটু জেনারেটর কীভাবে কাজ করে

একটি সাধারণ AI ট্যাটু জেনারেটর কোন মডেল আর্কিটেকচার ব্যবহার করে?

বেশিরভাগ ট্যাটু জেনারেটর একটি লেটেন্ট ডিফিউশন মডেল চালায় যা ট্যাটু শিল্পে ফাইন-টিউন করা হয়েছে। একটি টেক্সট এনকোডার আপনার প্রম্পটকে ভেক্টরে রূপান্তরিত করে, একটি U-Net কয়েকটি ধাপে একটি লেটেন্ট ছবি ডিনয়েজ করে এবং একটি ডিকোডার চূড়ান্ত লেটেন্টকে দৃশ্যমান ডিজাইনে রূপান্তরিত করে।

আজকের প্রভাবশালী আর্কিটেকচার হল লেটেন্ট ডিফিউশন — একই পরিবার যা Stable Diffusion, SDXL, Midjourney-এর সাম্প্রতিক রিলিজ এবং বেশিরভাগ ওপেন ট্যাটু-নির্দিষ্ট ফোর্কের ভিত্তি। "লেটেন্ট" হল মূল শব্দ: পূর্ণ পিক্সেল রেজোলিউশনে ডিনয়েজিং করার পরিবর্তে, মডেলটি একটি সংকুচিত উপস্থাপনার ভেতরে কাজ করে যা আকারে প্রায় ষোড়শ অংশ, তাই একটি জেনারেশন মিনিটের পরিবর্তে সেকেন্ডে সম্পন্ন হয়। তিনটি উপাদান গুরুত্বপূর্ণ। একটি টেক্সট এনকোডার (সাধারণত CLIP বা T5 ভেরিয়েন্ট) আপনার লেখা প্রম্পটকে উচ্চ-মাত্রিক ভেক্টরে ম্যাপ করে যা অর্থ ধারণ করে, শুধু কীওয়ার্ড নয়। একটি U-Net প্রকৃত ডিনয়েজিং কাজ করে, প্রতিটি ধাপে সেই টেক্সট ভেক্টর দ্বারা কন্ডিশন করা হয়। একটি ভেরিয়েশনাল অটোএনকোডার ডিকোডার তারপর চূড়ান্ত লেটেন্টকে দৃশ্যমান ছবিতে প্রসারিত করে। ট্যাটু-নির্দিষ্ট অংশটি ফাইন-টিউনিংয়ের সময় ঘটে। একটি বেস মডেল যা ওপেন ওয়েব দেখেছে তাকে ট্যাটু শিল্পের একটি কিউরেটেড সংগ্রহে আরও প্রশিক্ষিত করা হয় — ফ্ল্যাশ শিট, হিলড ফটো, লাইন ওয়ার্ক, স্টেন্সিল — যতক্ষণ না নেটওয়ার্কের ওজন ট্যাটুর ভিজ্যুয়াল গ্রামারের দিকে পক্ষপাতদুষ্ট হয়। মূল DDPM পেপারটি <a href="https://arxiv.org/abs/2006.11239">arxiv.org/abs/2006.11239</a> এ পাওয়া যায়। আপনার জন্য ব্যবহারিক ফলাফল হল যে টুলটি ইতিমধ্যে বোঝে "সিঙ্গেল নিডল" বা "আমেরিকান ট্রেডিশনাল" মানে কী।

টুলটি একটি টেক্সট প্রম্পটকে ট্যাটু ডিজাইনে কীভাবে অনুবাদ করে?

আপনার প্রম্পট টোকেনাইজ করা হয়, একটি ভেক্টরে এমবেড করা হয় এবং প্রতিটি ডিনয়েজিং ধাপে U-Net-এ কন্ডিশনিং হিসাবে দেওয়া হয়। মডেলটি বিশুদ্ধ নয়েজ থেকে শুরু হয় এবং পুনরাবৃত্তিমূলকভাবে প্রম্পট ভেক্টরের সাথে মেলে না এমন অংশগুলি সরিয়ে দেয়, একটি ছবি রেখে যায় যা প্রম্পটের সাথে মেলে।

শব্দ থেকে ছবিতে অনুবাদ পুনরুদ্ধার নয়। মডেলটি আপনার প্রম্পটের সাথে মেলে এমন ট্যাটুর জন্য একটি ডেটাবেস অনুসন্ধান করছে না — এটি এমন একটি ছবি তৈরি করছে যা আগে কখনো ছিল না, প্রশিক্ষণের সময় শোষিত পরিসংখ্যানগত প্যাটার্ন দ্বারা পরিচালিত। যান্ত্রিকভাবে, প্রম্পটটি একটি টোকেনাইজারের মধ্য দিয়ে যায় যা এটিকে সাব-ওয়ার্ড ইউনিটে ভাঙে, তারপর টেক্সট এনকোডারের মধ্য দিয়ে। "একটি সারস, ফাইন-লাইন, নেগেটিভ স্পেস" এমন একটি স্থানে স্থানাঙ্কে পরিণত হয় যেখানে "সারস" অন্যান্য দীর্ঘ-গলার পাখির কাছে থাকে। U-Net এই কন্ডিশনিং পায় এবং প্রতিটি ডিনয়েজিং ধাপে সিদ্ধান্ত নিতে এটি ব্যবহার করে। ক্লাসিফায়ার-ফ্রি গাইডেন্স হল সেই লিভার যা নিয়ন্ত্রণ করে মডেল আপনাকে কতটা আক্ষরিকভাবে ব্যাখ্যা করে। একবার আপনার পছন্দের একটি জেনারেশন পেলে, আপনি <a href="/tryon">এটি আপনার ত্বকে দেখতে পারেন</a> বা <a href="/stencil">একটি স্টেন্সিলে রূপান্তরিত করতে পারেন</a>।

ত্বক-সচেতন জেনারেশনে ফটো ইনপুটের ভূমিকা কী?

একটি ফটো ইনপুট মডেলকে আপনার প্রকৃত অ্যানাটমিতে কন্ডিশন করতে দেয়। ছবিটি প্রম্পটের সাথে এনকোড করা হয়, তাই জেনারেশন শরীরের অংশের বাঁক, স্কেল এবং প্লেসমেন্টকে সম্মান করে — একটি সমতল ডিজাইন তৈরি করার পরিবর্তে যা পরে ত্বকে ফিট করতে হয়।

বিশুদ্ধ টেক্সট-টু-ইমেজ জেনারেশন একটি সাদা পটভূমিতে ভাসমান একটি ডিজাইন তৈরি করে। সিস্টেমটি বেশ কয়েকটি কৌশলের মধ্যে একটি ব্যবহার করে — ControlNet, IP-Adapter, ডেপথ কন্ডিশনিং, বা কম ডিনয়েজিং শক্তির সাথে img2img — ডিফিউশন প্রক্রিয়ায় আপনার ফটো সম্পর্কে তথ্য ইনজেক্ট করতে। ফটো ইনপুটের দ্বিতীয় ব্যবহার হল ভার্চুয়াল ট্রাই-অন: জেনারেশনকে কন্ডিশন করার পরিবর্তে, সিস্টেমটি পার্সপেক্টিভ কারেকশন, অপ্যাসিটি ম্যাচিং এবং ছায়া পরিচালনা সহ আপনার ফটোতে একটি সম্পূর্ণ ডিজাইন কম্পোজিট করে। এইভাবে আপনি বুকিং করার আগে ট্যাটুটি কেমন দেখাবে তা দেখতে পারেন।

AI ট্যাটু জেনারেশন কোথায় এখনও মানব শিল্পীর চেয়ে কম পড়ে?

AI ধারণা তৈরিতে চমৎকার এবং ফিনিশিং কাজে দুর্বল। এটি কঠোর প্রতিসাম্য, মুখ, হাত, টেক্সট এবং ব্যবহারিক বিচার নিয়ে সংগ্রাম করে — এগুলি সব কিছু একজন দক্ষ মানব শিল্পী প্রতিফলিতভাবে পরিচালনা করেন।

সৎ উত্তর হল AI একজন ফিনিশারের চেয়ে ভালো ব্রেইনস্টর্মিং অংশীদার। এটি দিকনির্দেশনা অন্বেষণ করতে, ভিন্নতা তৈরি করতে এবং আপনাকে একই ধারণার একশটি ভিন্ন রূপ দেখাতে যেকোনো মানুষের চেয়ে দ্রুত। প্রতিসাম্য প্রথম সমস্যা। ডিফিউশন মডেলগুলি সম্ভাব্যতামূলক — তারা প্রয়োগ করে না যে বাম চোখ ডান চোখের সাথে মেলে, দুটি ফুলের ডালপালা পরিষ্কারভাবে মিরর করে, বা একটি মন্ডলের বারোটি সেক্টর একই। মুখ, হাত এবং ছোট টেক্সট একই কারণে দ্বিতীয় ব্যর্থতার মোড। গভীর সীমাবদ্ধতা হল বিচার। একটি ডিফিউশন মডেল কখনো ট্যাটু সারতে দেখেনি। এটি জানে না যে আঙুলের পাশে খুব পাতলা রেখা দুই বছরের মধ্যে ঝাপসা হয়ে যাবে, সাদা কালি রোদে বিবর্ণ হয়। একজন কর্মরত ট্যাটু শিল্পী আপনাকে মুহূর্তেই এগুলি বলবেন।

ডিফিউশন মডেল — একটি জেনারেটিভ নিউরাল নেটওয়ার্ক যা ধাপে-ধাপে নয়েজিং প্রক্রিয়াকে বিপরীত করতে শেখে। র্যান্ডম নয়েজ থেকে শুরু করে, এটি পুনরাবৃত্তিমূলকভাবে নয়েজ পূর্বাভাস দেয় এবং সরিয়ে দেয় — একটি টেক্সট বা ছবির প্রম্পট দ্বারা পরিচালিত — যতক্ষণ না একটি সুসংগত ছবি প্রকাশ পায়।