আগের পাঠে দৈনন্দিন ব্যবহারের জন্য ইমেজ জেনারেশন আলোচিত হয়েছিল। এই পাঠে আরও গভীরে যাওয়া হবে — ডিফিউশন মডেলের পেছনের আসল প্রক্রিয়া, আর সেই কৌশলগুলো যা একটি শখের প্রম্পটকে কমার্শিয়াল-মানের আউটপুট থেকে আলাদা করে।
এই প্রক্রিয়াটি তিনটি ধাপে ঘটে:
| ধাপ | কী ঘটে |
|---|---|
| ১. ফরোয়ার্ড ডিফিউশন (প্রশিক্ষণ) | মডেলটি বাস্তব ছবি নিয়ে ধীরে ধীরে সেগুলোতে র্যান্ডম নয়েজ যোগ করে, ধাপে ধাপে, যতক্ষণ না কিছুই চেনা যায় না — আর প্রতিটি ধাপে ঠিক কতটা নয়েজ যোগ হয়েছে তা শেখে। |
| ২. রিভার্স ডিফিউশন (প্রশিক্ষণ) | মডেলটি তারপর সেই প্রক্রিয়া উল্টানোর প্রশিক্ষণ নেয় — একটি নয়েজি ছবি দেখে, পরিষ্কার সংস্করণটি কেমন দেখাতে পারে তা পূর্বাভাস দেয়। যথেষ্ট প্রশিক্ষণের পর, এটি বিশুদ্ধ র্যান্ডম নয়েজ থেকে শুরু করে ধীরে ধীরে তা সরিয়ে একটি সুসংগত ছবি প্রকাশ করতে পারে। |
| ৩. ইনফারেন্স (আপনি যখন তৈরি করেন) | আপনার টেক্সট প্রম্পট একটি টেক্সট এনকোডার দিয়ে একটি গাণিতিক উপস্থাপনায় রূপান্তরিত হয়। মডেলটি র্যান্ডম নয়েজ থেকে শুরু করে সেই উপস্থাপনা ব্যবহার করে ডিনয়েজিং প্রক্রিয়া পরিচালনা করে — এটিকে আপনার শব্দের সাথে মেলে এমন একটি ছবির দিকে পরিচালিত করে। |
| টুল | সাধারণত যার জন্য পরিচিত |
|---|---|
| Stable Diffusion | ওপেন-সোর্স, স্থানীয়ভাবে চলে, ব্যাপকভাবে কাস্টমাইজযোগ্য, কমিউনিটি-প্রশিক্ষিত অ্যাড-অনের একটি বড় ইকোসিস্টেম — সবচেয়ে নমনীয় বিকল্প, প্রযুক্তিগত সেটআপের বিনিময়ে। |
| DALL-E | প্রম্পট নির্ভুলভাবে অনুসরণ করায় শক্তিশালী, ChatGPT আর Microsoft-এর টুলে যুক্ত, ব্যবহার করা সহজ। |
| Midjourney | ধারাবাহিকভাবে অসাধারণ, শৈল্পিক ফলাফল, কমার্শিয়াল ডিজাইনের কাজে ব্যাপকভাবে ব্যবহৃত। |
| Adobe Firefly | বিশেষভাবে কমার্শিয়াল নিরাপত্তার জন্য তৈরি, শুধু লাইসেন্সপ্রাপ্ত ছবিতে প্রশিক্ষিত, সরাসরি Photoshop আর Illustrator-এর সাথে যুক্ত। |
| Ideogram | একটি ছবির ভেতরে পড়া-যায় এমন টেক্সট রেন্ডার করায় বেশিরভাগ প্রতিদ্বন্দ্বীর চেয়ে উল্লেখযোগ্যভাবে ভালো। |
[বিষয় + কাজ] + [পরিবেশ] + [আলো] + [ক্যামেরা/লেন্স স্টাইল]
+ [শৈল্পিক স্টাইল] + [ভাব] + [প্রযুক্তিগত মান মডিফায়ার]দুর্বল: "ঐতিহ্যবাহী পোশাকে একজন নারী"
পেশাদার: "একটি উজ্জ্বল ঐতিহ্যবাহী সিল্ক শাড়িতে একজন আত্মবিশ্বাসী নারীর প্রতিকৃতি, একটি ঐতিহ্যবাহী ভবনের রোদ-ঝলমলে উঠানে দাঁড়িয়ে, উষ্ণ গোল্ডেন-আওয়ার আলো, অগভীর ডেপথ অফ ফিল্ড, একটি ৮৫মিমি পোর্ট্রেট লেন্স দিয়ে তোলা, ফটোরিয়ালিস্টিক, এডিটোরিয়াল ম্যাগাজিন স্টাইল, সমৃদ্ধ রং, নরম বোকেহ ব্যাকগ্রাউন্ড, অত্যন্ত বিস্তারিত।"
অনেক পেশাদার টুল আপনাকে আলাদাভাবে কী বাদ দিতে হবে তা নির্দিষ্ট করতে দেয়, যা সাধারণ AI ত্রুটি সরিয়ে দেয়:
নেগেটিভ: blurry, distorted hands, extra fingers, watermark, text,
logo, bad anatomy, deformed, low quality, pixelated, noiseঅনেক ছবি জুড়ে একই লুক প্রয়োজন এমন ব্র্যান্ড কাজের জন্য, পেশাদাররা প্রথমে একটি বিস্তারিত রেফারেন্স ছবি তৈরি করেন, তারপর পরবর্তী প্রতিটি জেনারেশনের জন্য এটি (স্টাইল বা "চরিত্র" অনুযায়ী) রেফারেন্স করেন — বেশিরভাগ প্রধান টুল এর কোনো না কোনো সংস্করণ সমর্থন করে। এটাই একটি পুরো ক্যাম্পেইনের ভিজ্যুয়ালকে অসম্পর্কিত এককালীন ছবির বদলে একটি সুসংগত সেটের মতো অনুভব করায়।
একটি সাধারণ পেশাদার প্যাটার্ন সবকিছু শুরু থেকে তৈরি করার বদলে একটি বাস্তব ছবির সাথে AI-তৈরি উপাদান একত্র করে:
এটি আসলে কী বদলায়
একটি প্রচলিত পণ্য ফটোগ্রাফি সেশন একটি বাস্তব খরচ আর সময়ের বিনিয়োগ। AI-সহায়ক ব্যাকগ্রাউন্ড আর বৈচিত্র্য তৈরি সম্পূর্ণভাবে ফটোগ্রাফির বিকল্প নয়, কিন্তু এটি দ্রুত অনেক ভিজ্যুয়াল বৈচিত্র্য তৈরির অর্থনীতি বদলে দেয় — আপনি একজন ফটোগ্রাফার, একজন ডিজাইনার, বা একজন ছোট ব্যবসার মালিক হলে এটি বোঝা মূল্যবান।
এখন আপনি ইমেজ জেনারেশন প্রক্রিয়া থেকে শুরু করে কমার্শিয়াল কৌশল পর্যন্ত বোঝেন। পরের পাঠে সম্পূর্ণ ভিন্ন একটি মাধ্যমে যাওয়া হবে: AI-তৈরি ভিডিও, অডিও, আর প্রেজেন্টেশন।