শিরোনাম: Latent Identity Tuning নিখুঁত ফেসিয়াল এডিট বা মুখের পরিবর্তন সম্ভব করে তোলে

গবেষকরা Latent-Identity Tuning প্রবর্তন করেছেন, যা এমন একটি কৌশল যা ডেভেলপারদের টেক্সট-টু-ইমেজ জেনারেটরে বিষয়ের (subject) পরিচয় অক্ষুণ্ণ রেখে মুখের বৈশিষ্ট্যগুলো পরিবর্তন করার সুযোগ দেয়, এবং এটি কোনো অতিরিক্ত প্রশিক্ষণ ছাড়াই কাজ করে।

বেশিরভাগ ডিফিউশন-ভিত্তিক টেক্সট-টু-ইমেজ মডেল যখন ছোটখাটো পরিবর্তন করতে বলা হয়—যেমন ভ্রুর আকৃতি পরিবর্তন করা, নাকের অবস্থান সরানো বা চোখের রঙ পরিবর্তন করা—তখন তারা ব্যক্তির সাদৃশ্য বা চেহারার অবয়ব অস্পষ্ট বা পরিবর্তন করে ফেলে। এই সমস্যাটি তৈরি হয় কারণ এই মডেলগুলো একটি মুখকে ল্যাটেন্ট ভেরিয়েবল বা সুপ্ত চলকের একটি ঘন সেট হিসেবে এনকোড করে; এর মধ্যে যেকোনো একটিতে সামান্য পরিবর্তন করলে তা পুরো ছবিতে প্রভাব ফেলে, যার ফলে ব্যক্তির আসল পরিচয় হারিয়ে যায়।

LIT বিদ্যমান কোনো মডেল থেকে একটি frozen encoder ব্যবহার করে এবং এর ল্যাটেন্ট স্পেস থেকে নির্দিষ্ট মুখের বৈশিষ্ট্যের সাথে সম্পর্কিত দিকগুলো খুঁজে বের করার মাধ্যমে এই সমস্যাটি এড়িয়ে যায়। পুরো নেটওয়ার্ককে পুনরায় প্রশিক্ষণ দেওয়া বা নতুন ডেটা ইনপুট দেওয়ার পরিবর্তে, এই পদ্ধতিটি স্বতন্ত্র ল্যাটেন্ট টোকেনগুলোকে আলাদা করে ফেলে যা মুখের প্রতিটি নির্দিষ্ট অংশ নিয়ন্ত্রণ করে। একটি টোকেন হয়তো ভ্রুর আকৃতি নিয়ন্ত্রণ করতে পারে। অন্যটি হয়তো নাকের গঠন নিয়ন্ত্রণ করতে পারে। একটি মাত্র টোকেনের মান পরিবর্তন করে ডেভেলপাররা সেই নির্দিষ্ট বৈশিষ্ট্যটি পরিবর্তন করতে পারেন, যেখানে আশেপাশের টোকেনগুলো পোর্ট্রেট বা ছবির বাকি অংশ অপরিবর্তিত রাখে।

এই পদ্ধতিটি চারটি ব্যবহারিক সুবিধা প্রদান করে:

  • নির্ভুলতা (Precision) – পরিবর্তনগুলো শুধুমাত্র লক্ষ্য করা বৈশিষ্ট্যের মধ্যেই সীমাবদ্ধ থাকে, ফলে সামগ্রিক অবয়ব বজায় থাকে।
  • কম কম্পিউটেশনাল খরচ (Low compute) – frozen encoder ব্যবহারের ফলে কোনো নতুন ট্রেনিং লুপের প্রয়োজন হয় না, তাই কম্পিউটেশনাল লোড বা কাজের চাপ নগণ্য থাকে।
  • পরিচয়ের ধারাবাহিকতা (Identity consistency) – একাধিক ছবি বা প্রম্পটের ক্ষেত্রেও একই ব্যক্তির চেহারার সাদৃশ্য বজায় থাকে।
  • দ্রুত বাজারজাতকরণ (Speed to market) – প্রশিক্ষণ বাদ দেওয়ার ফলে সেই সব অ্যাপ্লিকেশনের ডেভেলপমেন্ট সাইকেল বা উন্নয়ন চক্র ছোট হয়ে আসে যেগুলোর তাৎক্ষণিক ফেসিয়াল ম্যানিপুলেশন বা মুখের পরিবর্তনের প্রয়োজন হয়।

এর ফলে সরাসরি উপকৃত হতে পারে এমন কিছু ব্যবহারের ক্ষেত্র হলো ভার্চুয়াল ট্রাই-অন (virtual try-ons), যেখানে একজন ক্রেতা মডেলের মাধ্যমে নতুন কোনো পরিচয় তৈরি না করেই নিজের মুখে চশমা বা মেকআপ দেখতে পারেন; এবং অবতার তৈরির টুলস (avatar creation tools), যা ব্যবহারকারীদের রিয়েল টাইমে অভিব্যক্তি, বয়স বা চোখের রঙ সূক্ষ্মভাবে পরিবর্তন করার সুযোগ দেয়।