মডেল
Boogu-ইমেজ 0.1: বেস, টার্বো এবং সম্পাদনার তিনটি ওজনের মধ্যে শ্রম বিভাজন এবং বিকৃতির ঝুঁকি
মডেল অ্যানাটমি/ইমেজ জেনারেশন এবং এডিটিং
মডেল অ্যানাটমি/ইমেজ জেনারেশন এবং এডিটিং
মডেল অ্যানাটমি / জেনারেশন ও এডিটিং
Boogu-Image 0.1-এ এসেছে একটি বেস জেনারেটর, একটি ডিস্টিল করা দ্রুত মডেল আর একটি একক-ছবির এডিটর। একটি প্রজেক্টের নামের আড়ালে তাই তিনটি আলাদা প্রশিক্ষণ ইতিহাস, তিনটি স্যাম্পলিং চুক্তি এবং আউটপুট ব্যর্থ হওয়ার তিন রকম পথ লুকিয়ে আছে।
মডেলটি নয়েজ ও ইমেজ ল্যাটেন্টের মাঝে একটি বেগ ক্ষেত্র শেখে। সংক্ষিপ্ত প্রশিক্ষণ উদ্দেশ্যটি এরকম:
L=E[t,x₀,x₁] ||vθ(x_t,t,c) − u_t(x_t|x₀,x₁)||²
Base দীর্ঘতর পথ ইন্টিগ্রেট করে। Turbo সেই পথেরই একটি সংক্ষিপ্ত আনুমানিক রূপ শেখে, তাই এর ভুলগুলো Base-এর ভুলের ছোট সংস্করণ নয়। Edit যোগ করে একটি ইনপুট-ছবির শর্ত, এবং নির্দেশনা যে অংশকে লক্ষ্য করেনি সেই অংশ অক্ষত রাখতে হয়।
একটি বেস মডেল প্রথমে ব্যবহারযোগ্য পরিবহন ক্ষেত্র শেখে। এরপর ডিস্টিল করা স্টুডেন্ট সেই গতিপথকে প্রায় চার ধাপে সংকুচিত করে। এডিটরের জন্য লাগে জোড়া নির্দেশনা–ছবি উদাহরণ এবং অতিরিক্ত একটি সংরক্ষণ উদ্দেশ্য। এই ক্রমই ব্যাখ্যা করে কেন কম ধাপ মানেই আপনাআপনি বেশি সক্ষম মডেল নয়, এবং কেন একক-ছবির এডিটর মানেই বহু-রেফারেন্স কম্পোজিশন নয়।
Base সূক্ষ্ম কাঠামো ধরে রাখতে পারে, কিন্তু পাশাপাশি স্থানীয় প্যাটার্নের পুনরাবৃত্তিও ঘটাতে পারে। Turbo কনট্যুর শক্ত করে ফেলতে, টেক্সচার অতিরিক্ত নিয়মিত করে তুলতে বা ছোট লেখা নষ্ট করতে পারে। Edit-এর জন্য একসাথে তিনটি যাচাই দরকার: নির্দেশনা মেনে চলা, বিষয়ের পরিচয়, এবং অনুরোধকৃত অঞ্চলের বাইরে বিচ্যুতি। ন্যায্য তুলনায় প্রম্পট, ক্যানভাস ও সিড স্থির রাখতে হয়।
অফিসিয়াল রিপোজিটরি ও তিনটি মডেল কার্ড থেকে নিশ্চিত হয় যে Base, Turbo ও Edit ওজনগুলো ভিন্ন ভিন্ন ব্যবহার-পথ নিয়ে প্রকাশিত হয়েছে। প্রকাশকের প্রম্পট তুলনাগুলো সেই রিলিজটিকেই বর্ণনা করে; পোস্টার, প্রতিকৃতি, পণ্য ও বহুভাষিক টাইপোগ্রাফি জুড়ে কোনো সার্বজনীন লিডারবোর্ড সেগুলো তৈরি করে না।
Boogu-Image 0.1-এ Base, Turbo ও Edit একসাথে আসে, ফলে সেগুলোকে মনে হয় যেন কেবল গতির প্রিসেট। Base দীর্ঘতর জেনারেশন গতিপথ ধরে রাখে, Turbo সেই গতিপথকে প্রায় চার ধাপে ডিস্টিল করে, আর Edit কন্ডিশনিং চুক্তিতে যোগ করে একটি ইনপুট ছবি। একটি প্রজেক্টের নামের আড়ালে তাই তিনটি পৃথক গ্রহণযোগ্যতার প্রশ্ন লুকিয়ে থাকে।
রিলিজের তারিখও উন্নয়নের ক্রমটিকে ঢেকে রাখে। বেস মডেল প্রথমে ব্যবহারযোগ্য বেগ ক্ষেত্র শেখে, ডিস্টিল করা মডেল শেখে সংক্ষিপ্ত আনুমানিক রূপ, আর এডিট চেকপয়েন্টে যুক্ত হয় জোড়া নির্দেশনা-ছবি ডেটা। সেই ইতিহাস না জানলে সহজেই দাবি করা যায় যে কম ধাপ সবসময়ই ভালো, অথবা একক-ছবির এডিটর আপনাআপনি বহু-রেফারেন্স কম্পোজিশন সমর্থন করে।
L_FM=E[t,x₀,x₁] ||vθ(x_t,t,c)−u_t(x_t|x₀,x₁)||²vθপূর্বাভাসিত বেগ ক্ষেত্রu_tলক্ষ্য পরিবহন পথcটেক্সট বা ছবির শর্তফ্লো ম্যাচিং নয়েজ থেকে ইমেজ ল্যাটেন্ট পর্যন্ত একটি বেগ ক্ষেত্র প্রশিক্ষণ দেয়। Base দীর্ঘতর পথ ইন্টিগ্রেট করে; Turbo শেখে সংক্ষিপ্ত আনুমানিক রূপ, তাই Base-এর ধাপ-সংখ্যার হিউরিস্টিক থেকে চার-ধাপের আচরণ অনুমান করা যায় না।
Edit যোগ করে ইনপুট-ছবির শর্ত। গ্রহণযোগ্যতা যাচাইয়ে নির্দেশনা মেনে চলা, বিষয় সংরক্ষণ এবং অনুরোধকৃত অঞ্চলের বাইরের বিচ্যুতিকে আলাদা করতে হবে—তীক্ষ্ণতাকে বদলি হিসেবে বসানো চলবে না।
পেপার, কোড ও ওজনের সন্ধান মিলবে Boogu-Image source / Boogu Base weights / Boogu Turbo weights-এ।
এটি একটি প্রজেক্ট-অন্তর্গত চুক্তির তালিকা, কোনো অভ্যন্তরীণ পছন্দের সেট থেকে বানানো সার্বজনীন লিডারবোর্ড নয়।
| প্রোফাইল | ডিফল্ট ইনফারেন্স | প্রধান নিরীক্ষা |
|---|---|---|
| Base | বহু-ধাপের ফ্লো ম্যাচিং | বিস্তারিত, কম্পোজিশন ও দীর্ঘ-পথের স্থিরতা |
| Turbo | প্রায় 4 ধাপ | ডিস্টিলেশন আর্টিফ্যাক্ট, টেক্সট ও ছোট বস্তু |
| Edit | একটি ছবি সঙ্গে নির্দেশনা | নির্দেশনা মেনে চলা ও পেছনের দৃশ্য সংরক্ষণ |
Base হয়তো বেশি বিস্তারিত ধরে রাখে, কিন্তু তবু স্থানীয় প্যাটার্নের পুনরাবৃত্তি ঘটাতে পারে। Turbo-র দুর্বলতা শক্ত কনট্যুর, অতি-পরিচিত টেক্সচার আর ভাঙা ছোট লেখা। Edit-কে বিচার করতে হবে নির্দেশনা মেনে চলা, বিষয়ের পরিচয় এবং অনুরোধকৃত অঞ্চলের বাইরের বিচ্যুতির ভিত্তিতে।
তিনটি চেকপয়েন্টের তুলনায় প্রম্পট, আকার ও সিড স্থির রাখা উচিত। রিলিজের ছবি সামর্থ্য দেখায়, কিন্তু পোস্টার, প্রতিকৃতি, পণ্য, ঘন টাইপোগ্রাফি ও জটিল কম্পোজিশন জুড়ে স্থিতিশীল আচরণ প্রতিষ্ঠা করে না।
প্রকাশকের প্রম্পট সেট পুনরুৎপাদনের কাজে লাগে, কিন্তু প্রতিটি পোস্টার, ব্যক্তি, পণ্য বা বহুভাষিক লেআউটকে প্রতিনিধিত্ব করতে পারে না। যুক্তিসিদ্ধ তুলনার জন্য চাই স্থির প্রম্পট স্যুট আর অন্ধ পর্যালোচনা।
Base, Turbo ও Edit-এর জন্য আলাদা স্যাম্পলিং রেকর্ড দরকার। ধাপের সংখ্যা বদলে দেয় খরচ ও গতিপথের ভুল—উভয়টিই; আর এডিট চেকপয়েন্টের জন্য লাগে ইনপুট ছবি, নির্দেশনা এবং সম্পাদিত অঞ্চলের বাইরের সংরক্ষণও।
মডেলের নাম, সংখ্যা ও সীমাবদ্ধতার উৎস ফেরত যায় নিচের পেপার, রিপোজিটরি বা মডেল কার্ডে।