Diffusion Model Kya Hai? Shor Se Tasveer Banane Wala AI Jo Step-by-Step Karta Hai
Diffusion Model (डिफ्यूजन मॉडल) एक प्रकार का जनरेटिव एआई मॉडल है जो यादृच्छिक शोर (random noise) को कई चरणों में धीरे-धीरे साफ़ करके नई तस्वीरें, वीडियो या आवाज़ बनाता है। यह पहले सीखता है कि असली डेटा में चरण-दर-चरण शोर कैसे जोड़ते हैं, फिर उस प्रक्रिया को उलटकर शोर से वास्तविक जैसा डेटा बनाता है। आज कई छवि-निर्माण उपकरण इसी तकनीक पर काम करते हैं।
मूल विचार: आगे और पीछे की प्रक्रिया
Diffusion की समझ के लिए इसे दो दिशाओं में देखा जा सकता है।
| प्रक्रिया | क्या होता है | परिणाम |
|---|---|---|
| Forward diffusion (आगे) | साफ़ डेटा में धीरे-धीरे शोर जोड़ा जाता है | डेटा पूरी तरह शोर बन जाता है |
| Reverse diffusion (पीछे) | शोर को चरण-दर-चरण हटाया जाता है | एक साफ़, नया डेटा बनता है |
Forward Process — शोर जोड़ना
एक साफ़ तस्वीर में छोटी-छोटी मात्रा में Gaussian शोर कई चरणों तक जोड़ा जाता है, जब तक तस्वीर पहचानी न जा सके। यदि चरणों की संख्या ((T)) पर्याप्त हो, तो अंत में डेटा लगभग शुद्ध यादृच्छिक शोर ( \mathcal{N}(0, I) ) बन जाता है, जिसमें मूल तस्वीर की जानकारी नहीं बचती।
Reverse Process — शोर हटाना
प्रशिक्षण के बाद मॉडल एक तंत्रिका नेटवर्क का उपयोग करके शोर को एक-एक चरण हटाता है। यह यादृच्छिक शोर से शुरू करता है और बार-बार डि-नॉइज़िंग (denoising) करके अंत में एक वास्तविक जैसी तस्वीर बनाता है।
गणितीय रूप से कैसे काम करता है
शोर जोड़ने का सूत्र
आगे की प्रक्रिया को एक पुनरावृत्ति संबंध से लिखा जाता है:
[ x_t = \sqrt{1-\beta_t}\,x_{t-1} + \sqrt{\beta_t}\,z_t,\qquad z_t \sim \mathcal{N}(0, I) ]
यहाँ (x_0) मूल तस्वीर है, (x_t) (t) चरणों के बाद की तस्वीर है, और (\beta_t) वह स्थिरांक है जो हर चरण में जोड़े गए शोर की मात्रा नियंत्रित करता है।
नेटवर्क शोर का अनुमान लगाता है
DDPM (Denoising Diffusion Probabilistic Model) के अनुसार नेटवर्क को सीधे तस्वीर बनाने के बजाय यह अनुमान लगाना सिखाया जाता है कि कौन-सा शोर ((\epsilon)) जोड़ा गया था। प्रशिक्षण का हानि फलन सरल हो जाता है:
[ L(\theta) = \mathbb{E}\left[\left|\epsilon_\theta(x_t, t) - z\right|^2\right] ]
यानी एक असली तस्वीर लें, उसमें ज्ञात शोर जोड़ें, और नेटवर्क से वही शोर वापस पहचानने को कहें। यह हानि फलन बैकप्रोपेगेशन से कम की जाती है।
मुख्य घटक
U-Net — शोर का अनुमान लगाने वाला नेटवर्क
डि-नॉइज़िंग का केंद्र प्रायः U-Net संरचना होती है, जो डेटा को संकुचित करके फिर से फैलाती है। इसका मुख्य काम यह बताना है कि कौन-सा हिस्सा शोर है और उसे हटाना है। कुछ आधुनिक मॉडल U-Net के स्थान पर Transformer आधारित संरचना भी उपयोग करते हैं।
Noise Schedule — शोर की गति
(\beta_t) मानों की शृंखला को noise schedule कहते हैं। यह तय करता है कि शोर कितनी तेज़ी से बढ़े। यदि शोर बहुत जल्दी बढ़े, तो मॉडल को उलटी प्रक्रिया सीखने में कठिनाई होती है; linear और cosine schedule सामान्य विकल्प हैं।
Latent Diffusion — कम संसाधन में चलाने का तरीका
बड़ी तस्वीर के हर पिक्सेल पर diffusion चलाना महँगा होता है। Latent diffusion में पहले एक ऑटोएनकोडर तस्वीर को एक छोटे latent space में संकुचित करता है, फिर diffusion उस छोटे स्थान में होता है, और अंत में डिकोडर उसे वापस तस्वीर बनाता है। इससे सामान्य कंप्यूटर पर भी मॉडल चलाना संभव होता है।
निर्देश के अनुसार नियंत्रण: Guidance
तस्वीर को टेक्स्ट निर्देश के अनुसार बनाने के लिए मॉडल को निर्देश दिया जाता है।
- CLIP जैसा मॉडल टेक्स्ट और छवियों को जोड़ने वाले सेतु का काम करता है और diffusion को दिशा देता है।
- Guidance scale यह तय करता है कि मॉडल निर्देश का कितना कड़ाई से पालन करे: अधिक मान का मतलब निर्देश के निकट, कम मान का मतलब अधिक रचनात्मक परिणाम।
- Negative prompt से मॉडल को बताया जाता है कि क्या नहीं बनाना है।
Diffusion और GAN में अंतर
| तुलना बिंदु | Diffusion Model | GAN |
|---|---|---|
| निर्माण प्रक्रिया | कई चरण, चरण-दर-चरण | एक बार forward pass, तेज़ |
| प्रशिक्षण स्थिरता | अपेक्षाकृत स्थिर | नाज़ुक, संतुलन आवश्यक |
| आउटपुट विविधता | जटिल निर्देशों पर विविध | Mode collapse का जोखिम |
| गति | धीमी, लेकिन तेज़ संस्करण मौजूद | रियल-टाइम में उपयुक्त |
GAN की तुलना में diffusion मॉडल प्रशिक्षण में अधिक स्थिर माने जाते हैं और mode collapse जैसी समस्या कम होती है, हालाँकि निर्माण गति में वे प्रायः धीमे होते हैं।
सामान्य उपयोग
- छवि निर्माण: टेक्स्ट निर्देश से नई तस्वीरें बनाना।
- वीडियो निर्माण: चरण-आधारित वीडियो diffusion से छोटे वीडियो बनाना।
- छवि सुधार: पुरानी या दानेदार तस्वीरों को साफ़ करना, रिज़ॉल्यूशन बढ़ाना।
- कंप्यूटर विज़न और चिकित्सा: मेडिकल इमेज प्रोसेसिंग, 3D मॉडलिंग और सिंथेटिक डेटा।
FAQ
Diffusion Model क्या करता है?
यह यादृच्छिक शोर को कई चरणों में साफ़ करके नया डेटा बनाता है। यह पहले शोर जोड़ना सीखता है, फिर उसे उलटकर तस्वीर या अन्य डेटा बनाता है।
क्या Diffusion Model GAN से बेहतर है?
दोनों की अलग ताकत है। Diffusion अधिक स्थिर और विविध आउटपुट देता है लेकिन धीमा है; GAN तेज़ है और रियल-टाइम उपयोग में उपयुक्त है, लेकिन प्रशिक्षण नाज़ुक होता है।
U-Net का क्या काम है?
U-Net वह नेटवर्क है जो तस्वीर में शोर का अनुमान लगाता है और उसे हटाने में मदद करता है। यह diffusion प्रक्रिया का मुख्य कार्यभार संभालता है।
Latent Diffusion क्या है?
ऐसी विधि जिसमें diffusion पिक्सेल पर न चलकर एक संकुचित latent space में चलता है, जिससे कम मेमोरी और संसाधन में मॉडल चलाना संभव होता है।
Steps बढ़ाने से तस्वीर बेहतर होती है?
एक सीमा तक ही। बहुत अधिक चरण बढ़ाने पर गुणवत्ता में खास अंतर रुक जाता है, लेकिन समय अधिक लगता है; सामान्य उपयोग के लिए मध्यम संख्या में चरण पर्याप्त होते हैं।
मुख्य बातें
- Diffusion मॉडल शोर जोड़ने और उसे उलटकर हटाने की प्रक्रिया से नया डेटा बनाता है।
- U-Net शोर का अनुमान लगाता है, noise schedule शोर की गति तय करता है।
- Latent diffusion कम संसाधन में चलाने में मदद करता है।
- Guidance scale और negative prompt से निर्देश के अनुसार नियंत्रण होता है।
- यह GAN से अधिक स्थिर है, लेकिन आमतौर पर धीमा है।
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free