AI फेस स्वैप, क्लोदिंग स्वैप, और स्टाइल ट्रांसफर: हर एक असल में कैसे काम करता है
फेस स्वैप, क्लोदिंग स्वैप, और स्टाइल ट्रांसफर को अक्सर एक अस्पष्ट "AI एडिटिंग" लेबल के नीचे मिला दिया जाता है, लेकिन असल में ये तीन अलग-अलग टेक्निकल पाइपलाइन हैं, जो अलग-अलग मॉडल आर्किटेक्चर पर बनी हैं, हर एक की अपनी ताकत और अपने फेल होने के तरीके के साथ। हमारे टेम्पलेट्स तीनों कैटेगरी को छूते हैं, इसलिए यह बताना ज़रूरी है कि हर एक हुड के नीचे असल में क्या कर रही है — मार्केटिंग कॉपी की तरह नहीं, बल्कि एक ईमानदार टेक्निकल तुलना के तौर पर कि हर टेक्नीक किसमें अच्छी है, और कहां अभी भी टूट जाती है।
एक काल्पनिक कैरेक्टर जनरेट करेंफेस स्वैप: शेयर्ड-एनकोडर ऑटोएनकोडर्स, कोई सिंपल फ़ोटो-पेस्टिंग नहीं
क्लासिक फेस-स्वैप टेक्नोलॉजी — जिस टेक्नीक के लिए "डीपफेक" शब्द मूल रूप से गढ़ा गया था — एक शेयर्ड-एनकोडर ऑटोएनकोडर आर्किटेक्चर पर चलती है: एक ही एनकोडर सोर्स और टारगेट, दोनों फेस को एक कॉमन लेटेंट रिप्रेजेंटेशन में कंप्रेस करता है, फिर दो अलग-अलग डिकोडर हर फेस को वापस रीकंस्ट्रक्ट करते हैं — एक सोर्स आइडेंटिटी पर ट्रेन्ड, दूसरा टारगेट पर। कौन-सा डिकोडर इस्तेमाल होता है यह बदलने से सोर्स आइडेंटिटी की फीचर्स टारगेट के पोज़ और एक्सप्रेशन के अंदर रीकंस्ट्रक्ट हो जाती हैं, और रिज़ल्ट को आस-पास के फ्रेम में ब्लेंड कर दिया जाता है (अक्सर पॉइज़न इमेज एडिटिंग के ज़रिए) ताकि जोड़ नज़र न आए। कई इम्प्लीमेंटेशन सिर्फ़ फ़ोटोरियलिज़्म बढ़ाने के लिए ऊपर एक GAN रिफाइनमेंट स्टेज जोड़ते हैं। यह वीडियो के कई फ्रेम्स में एक जैसी आइडेंटिटी बनाए रखने में एक मज़बूत टेक्नीक है, और एक्सट्रीम एंगल, ऑक्लूज़न, या सोर्स-टारगेट के बीच न मैच होती लाइटिंग में कमज़ोर — ब्लेंडिंग-बाउंड्री आर्टिफ़ैक्ट्स और लाइटिंग मिसमैच सबसे आम विज़िबल संकेत हैं।
क्लोदिंग स्वैप: इनपेंटिंग, कोई छिपा हुआ एक्स-रे नहीं
आउटफ़िट-चेंज टूल्स बिल्कुल अलग पाइपलाइन पर चलते हैं: इमेज इनपेंटिंग। एक सेगमेंटेशन स्टेप बदलने वाले एरिया को मास्क करता है, फिर एक डिफ़्यूज़न मॉडल सिर्फ़ मास्क्ड पिक्सल्स को इटरेटिव डीनॉइज़िंग के ज़रिए रीजनरेट करता है, जो आस-पास की इमेज और एक टेक्स्ट या रेफ़रेंस प्रॉम्प्ट पर कंडीशन्ड होता है — कुछ छिपा हुआ रिवील नहीं हो रहा, यह बस एक नया, स्टैटिस्टिकली प्लॉज़िबल पिक्सल गेस है। पुराने अप्रोच GANs इस्तेमाल करते थे जो पहले गारमेंट को बॉडी शेप पर वार्प करते और फिर कंपोज़िट जनरेट करते; वे गारमेंट की सटीक टेक्सचर तो अच्छी तरह प्रिज़र्व करते हैं लेकिन असामान्य पोज़ या बैकग्राउंड पर खराब जनरलाइज़ करते हैं। डिफ़्यूज़न-बेस्ड इनपेंटिंग, जो नए टूल्स में ज़्यादा कॉमन अप्रोच है, ज़्यादा स्टेबली ट्रेन होती है और पोज़ की एक व्यापक रेंज पर जनरलाइज़ करती है, जनरेटेड एरिया में कुछ सटीक कलर और टेक्सचर फ़िडेलिटी की कीमत पर। (हमने इस खास पाइपलाइन का एक गहरा टेक्निकल ब्रेकडाउन कहीं और लिखा है — यहां इसे छोटा रखा गया है क्योंकि यह उन तीन टेक्निक्स में से सिर्फ़ एक है जिनकी तुलना की जा रही है।)
स्टाइल ट्रांसफर: एक ही आइडिया के दो अलग-अलग दौर
स्टाइल ट्रांसफर एक ही नाम के नीचे दो सच में अलग अप्रोच को कवर करता है। क्लासिक न्यूरल स्टाइल ट्रांसफर एक CNN की फ़ीचर-मैप स्टैटिस्टिक्स (ग्राम मैट्रिसेस) को ऑप्टिमाइज़ करता है ताकि एक स्पेसिफ़िक रेफ़रेंस स्टाइल इमेज को एक कंटेंट इमेज पर मैच किया जा सके — इसे एक लिटरल एग्ज़ाम्पल इमेज चाहिए होती है और यह असल में एक बार में एक ही स्टाइल सीखती है। डिफ़्यूज़न-बेस्ड img2img जनरेशन अलग तरीके से काम करता है: एक टेक्स्ट प्रॉम्प्ट सीधे टारगेट स्टाइल को डिस्क्राइब करता है, एक डीनॉइज़िंग-स्ट्रेंथ सेटिंग यह कंट्रोल करती है कि ओरिजिनल कंपोज़िशन कितना बचता है, और चूंकि स्टाइल वोकैबुलरी पहले से ही बेस मॉडल की ट्रेनिंग में एम्बेडेड है, नए स्टाइल के लिए कोई अलग ट्रेनिंग स्टेप नहीं चाहिए होता। यह फ़्लेक्सिबिलिटी ही ट्रेड-ऑफ़ भी है — एक प्रॉम्प्ट-ड्रिवन स्टाइल एक स्पेसिफ़िक रेफ़रेंस इमेज पर ऑप्टिमाइज़ करने से ज़्यादा ढीला और कम सटीकता से रीप्रोड्यूसिबल होता है।
हर टेक्नीक कहां टूटती है, और डिटेक्शन असल में कैसे काम करता है
हर टेक्नीक अपने ही ख़ास, टेक्नीक-स्पेसिफ़िक तरीके से फेल होती है: फेस स्वैप ब्लेंडिंग बाउंड्रीज़ पर और मिसमैच्ड लाइटिंग या एक्सट्रीम हेड एंगल्स में स्ट्रगल करता है, और वीडियो में खासतौर पर फ्रेम-टू-फ्रेम फ्लिकर दिख सकता है; क्लोदिंग-स्वैप इनपेंटिंग मास्क एजेज़, हाथों, और भारी ऑक्लूडेड फ़ैब्रिक में स्ट्रगल करता है; हाई स्ट्रेंथ पर स्टाइल ट्रांसफर इतना ओरिजिनल कंपोज़िशन खो सकता है कि कंटेंट फ़िडेलिटी को नुकसान पहुंचे। फ़ोरेंसिक डिटेक्शन टूल्स आम तौर पर ठीक इन्हीं टेक्नीक-स्पेसिफ़िक फ़िंगरप्रिंट्स को ढूंढते हैं — जैसे फेस स्वैप के लिए ब्लेंडिंग-बाउंड्री आर्टिफ़ैक्ट्स और टेम्पोरल इनकंसिस्टेंसी — एक यूनिवर्सल "AI चेकर" चलाने के बजाय। डिटेक्शन से अलग एक अप्रोच है प्रॉवेनेंस (उद्गम): C2PA जैसे स्टैंडर्ड्स (कोएलिशन फ़ॉर कंटेंट प्रॉवेनेंस एंड ऑथेंटिसिटी, जिसकी स्टीयरिंग कमेटी में Adobe, Google, Microsoft, और OpenAI जैसे मेंबर्स शामिल हैं) एक फ़ाइल पर एक साइन्ड "कंटेंट क्रेडेंशियल्स" रिकॉर्ड अटैच करते हैं जो उसका ओरिजिन और एडिट हिस्ट्री बताता है — यह एक फ़ोरेंसिक स्कैन से ज़्यादा एक मैनिफ़ेस्ट की तरह काम करता है, हालांकि यह तभी मदद करता है जब कोई टूल असल में वह रिकॉर्ड लिखता है और जब वह रिकॉर्ड उस पॉइंट तक सर्वाइव करता है जहां कोई उसे चेक करे — जो आज इनकंसिस्टेंट है।
Uncutly जैसा प्लेटफ़ॉर्म लाइन कहां खींचता है, चाहे टेक्नीक कोई भी हो
ऊपर बताई गई तीनों टेक्निक्स में से कोई भी अपने आप में किसी असली इंसान की फ़ोटो बदलने के लिए बना टूल नहीं है — ये जनरल-पर्पज़ जनरेशन मेथड्स हैं जिन्हें अलग-अलग इनपुट्स पर पॉइंट किया जा सकता है। Uncutly के टेम्पलेट्स नए, काल्पनिक AI-ओरिजिनल कैरेक्टर्स बनाने के लिए इस टेक्नोलॉजी के हिस्सों का इस्तेमाल करते हैं; प्लेटफ़ॉर्म की कंटेंट पॉलिसी इंडिपेंडेंटली किसी असली, आइडेंटिफ़ायबल व्यक्ति की असल शक्ल पर बिना सहमति के बेस्ड कुछ भी जनरेट करने पर बैन लगाती है — चाहे ये अंडरलाइंग टेक्निक्स प्रिंसिपल में जो भी करने में सक्षम हों। यह जनरल-पर्पज़ टेक्नोलॉजी के ऊपर बना एक पॉलिसी और आर्किटेक्चर चॉइस है, टेक्नोलॉजी की खुद की कोई टेक्निकल लिमिटेशन नहीं।
FAQ
फेस स्वैप और क्लोदिंग स्वैप में असल टेक्निकल फ़र्क क्या है?
फेस स्वैप एक शेयर्ड-एनकोडर ऑटोएनकोडर (अक्सर एक GAN रिफाइनमेंट स्टेज के साथ) इस्तेमाल करके एक आइडेंटिटी की फ़ीचर्स को दूसरी के पोज़ और एक्सप्रेशन के अंदर रीकंस्ट्रक्ट करता है। क्लोदिंग स्वैप इमेज इनपेंटिंग इस्तेमाल करता है — एक मास्क्ड एरिया जिसे एक डिफ़्यूज़न मॉडल आस-पास की इमेज पर कंडीशन्ड होकर रीजनरेट करता है। ये अलग-अलग प्रॉब्लम्स सॉल्व करने वाली अलग-अलग मॉडल फ़ैमिलीज़ हैं, अलग कंटेंट पर अप्लाई की गई एक ही टेक्नीक नहीं।
क्या डिफ़्यूज़न हमेशा GAN-बेस्ड अप्रोच से बेहतर होता है?
नहीं — यह एक ट्रेड-ऑफ़ है, कोई सख़्त अपग्रेड नहीं। डिफ़्यूज़न मॉडल्स आम तौर पर ज़्यादा स्टेबली ट्रेन होते हैं और न देखे गए पोज़ या सीन्स पर बेहतर जनरलाइज़ करते हैं, जबकि GAN-बेस्ड अप्रोच अपनी अच्छी एरिया में सटीक टेक्सचर और बारीक डिटेल ज़्यादा फ़ेथफ़ुली प्रिज़र्व कर सकते हैं। कौन-सा इस्तेमाल होता है यह इस पर डिपेंड करता है कि वह ख़ास पाइपलाइन क्या ऑप्टिमाइज़ कर रही है।
क्या फेस-स्वैप या क्लोदिंग-स्वैप कंटेंट को रिलायबली डिटेक्ट किया जा सकता है?
यूनिवर्सली नहीं। फ़ोरेंसिक डिटेक्शन टेक्नीक-स्पेसिफ़िक फ़िंगरप्रिंट्स ढूंढता है — ब्लेंडिंग-बाउंड्री आर्टिफ़ैक्ट्स, वीडियो में फ्रेम-टू-फ्रेम इनकंसिस्टेंसी, मास्क-एज एरर्स — और एक्यूरेसी स्पेसिफ़िक मॉडल और फ़ाइल बाद में कैसे रीकम्प्रेस या रीअपलोड हुई इस पर बहुत डिपेंड करके काफ़ी वैरी करती है। यह दोनों साइड से एक्टिवली मूविंग टारगेट है, कोई सॉल्व्ड प्रॉब्लम नहीं।
C2PA क्या है, और क्या यह डीपफेक्स को रोकता है?
C2PA एक कंटेंट-प्रॉवेनेंस स्टैंडर्ड है — एक साइन्ड रिकॉर्ड जो एक फ़ाइल से अटैच होता है और उसका ओरिजिन और एडिट हिस्ट्री बताता है, जिसे एक स्टीयरिंग कमेटी सपोर्ट करती है जिसमें बड़ी टेक और AI कंपनियां शामिल हैं। यह खुद कुछ डिटेक्ट या ब्लॉक नहीं करता; यह सिर्फ़ वहां ओरिजिन वेरिफ़ाई करने में मदद करता है जहां कोई टूल असल में वह रिकॉर्ड लिखता है और जहां वह उस पॉइंट तक सर्वाइव करता है जहां कोई उसे चेक करे — जो आज इनकंसिस्टेंट है।
क्या Uncutly असली लोगों की फ़ोटोज़ पर फेस-स्वैप टेक्नोलॉजी इस्तेमाल करता है?
नहीं। Uncutly के टेम्पलेट्स नए, काल्पनिक AI-ओरिजिनल कैरेक्टर्स जनरेट करने के लिए इस टेक्नोलॉजी के हिस्सों का इस्तेमाल करते हैं, और प्लेटफ़ॉर्म की पॉलिसी इंडिपेंडेंटली किसी असली, आइडेंटिफ़ायबल व्यक्ति की असल शक्ल पर बिना सहमति के बेस्ड कंटेंट जनरेट करने पर बैन लगाती है — यह रूल इस बात से इंडिपेंडेंट लागू होता है कि अंडरलाइंग मॉडल टेक्निकली क्या करने में सक्षम है।
लोकप्रिय NSFW टेम्पलेट
