ইমেজ তৈরির জন্য ওপেনএআই-এর নতুন এআই হল পয়েন্ট ই
ওপেনএআই ‘পয়েন্ট-ই’ প্রকাশের মাধ্যমে তাদের টেক্সট-টু-ইমেজ সফটওয়্যারের সক্ষমতা দ্বিমাত্রিক থেকে ত্রিমাত্রিকে প্রসারিত করেছে। এটি এমন একটি এআই যা টেক্সট প্রম্পট থেকে ত্রিমাত্রিক (3D) ছবি তৈরি করতে পারে। কোডবেসের সাথে প্রকাশিত একটি নথি অনুসারে, পয়েন্ট-ই চালানোর জন্য কোনো উচ্চ-ক্ষমতাসম্পন্ন কম্পিউটারের প্রয়োজন হয় না এবং এটি একটিমাত্র এনভিডিয়া ভি১০০ জিপিইউ ব্যবহার করে দুই মিনিটেরও কম সময়ে একটি মডেল তৈরি করতে পারে।
এর মাধ্যমে আমরা দেখতে পাচ্ছি যে 3D মডেল জেনারেটর হতে পারে পরবর্তী যুগান্তকারী যা AI এর বিশ্বকে ঝড়ের মধ্যে নিয়ে যাবে। ওপেনএআই এই বছর খুব সক্রিয় হয়েছে, উদাহরণস্বরূপ এখানে ব্লগে আমরা কোম্পানির দুটি বড় প্রকল্পের জন্য কথা বলেছি: ডাল-ই 2 এবং চ্যাটজিপিটি।
এই দুটি বিশাল এআই প্ল্যাটফর্মের মাধ্যমে কোম্পানিটি একটি সাধারণ টেক্সট মেসেজ থেকে ছবি এবং দীর্ঘ লেখা তৈরি করতে সাহায্য করেছে, এবং এখন কোম্পানিটি তৃতীয় একটি ধারণা নিয়ে ফিরে এসেছে, যা বড়দিনের ঠিক আগে আলোড়ন সৃষ্টির জন্য চালু করা হয়েছে। পয়েন্ট-ই (Point-E) নামের এই তৃতীয় ধারণাটিও একই ধরনের পদ্ধতি অনুসরণ করে, যা সাধারণ নির্দেশনার মাধ্যমে ত্রিমাত্রিক (3D) কন্টেন্ট তৈরি করে।
ওপেনএআই দলের প্রকাশিত একটি গবেষণা প্রবন্ধে ঘোষিত পয়েন্ট-ই দুটি ধাপে কাজ করে: প্রথমে এটি একটি টেক্সট-টু-ইমেজ এআই ব্যবহার করে আপনার মৌখিক অনুরোধকে একটি ছবিতে রূপান্তরিত করে, তারপর এটি দ্বিতীয় একটি ফাংশন ব্যবহার করে এই ছবিটিকে একটি ৩ডি মডেলে পরিণত করে ।
পয়েন্ট-ই একটি ওপেন সোর্স সফটওয়্যার এবং এর সোর্স কোড গিটহাবে পাওয়া যায় । তা সত্ত্বেও, এটি ব্যবহার শুরু করা কিছুটা কঠিন হতে পারে, কারণ ব্যবহারকারীদের কমান্ড-লাইন টুল সম্পর্কে মোটামুটি ধারণা থাকতে হয় এবং সিস্টেমে পাইথন ইনস্টল করা আবশ্যক। এটি চ্যাটজিপিটি-র মতো নয়, যেখানে ব্যবহারকারীরা একটি ওয়েবসাইটে নিবন্ধন করে তাদের দক্ষতা পরীক্ষা করতে পারে।
পয়েন্ট-ই প্রচলিত অর্থে ত্রিমাত্রিক বস্তু তৈরি করে না; বরং এটি পয়েন্ট ক্লাউড তৈরি করে, অর্থাৎ মহাকাশে ডেটা পয়েন্টের বিচ্ছিন্ন সেট যা একটি ত্রিমাত্রিক আকৃতিকে প্রতিনিধিত্ব করে, আর একারণেই এর এই চতুর সংক্ষিপ্ত রূপটি।
(পয়েন্ট-ই-এ "E" "দক্ষতার" জন্য সংক্ষিপ্ত কারণ এটি 3D অবজেক্ট রেন্ডার করার পূর্ববর্তী পদ্ধতির তুলনায় দৃশ্যত দ্রুততর।) বিকাশকারীদের মতে, পয়েন্ট ক্লাউডগুলি গণনাগতভাবে সংশ্লেষিত করা সহজ, তবে তারা কোনও বস্তুর আকার বা সূক্ষ্ম টেক্সচার ক্যাপচার করে না, যা বর্তমানে পয়েন্ট-ই-এর একটি প্রধান সীমাবদ্ধতা।
এই সীমাবদ্ধতা কাটিয়ে উঠতে , পয়েন্ট-ই টিম পয়েন্ট-ই-এর পয়েন্ট ক্লাউডগুলোকে মেশে রূপান্তর করার জন্য একটি অতিরিক্ত এআই সিস্টেমকে প্রশিক্ষণ দিয়েছে। (মেশ হলো ভার্টেক্স, এজ এবং ফেসের সমষ্টি যা একটি বস্তুকে সংজ্ঞায়িত করে এবং এটি সাধারণত থ্রিডি মডেলিং ও ডিজাইনে ব্যবহৃত হয়।) কিন্তু গবেষকরা তাদের গবেষণাপত্রে উল্লেখ করেছেন যে, মডেলটি কখনও কখনও বস্তুর কিছু অংশ বাদ দিয়ে দেয় , যার ফলে আকৃতি বিকৃত বা অবরুদ্ধ হয়ে পড়ে। মেশ-উৎপাদনকারী মডেলটি, যা স্বয়ংসম্পূর্ণ, তা ছাড়াও পয়েন্ট-ই-তে আরও দুটি মডেল রয়েছে: একটি টেক্সট-ইমেজ মডেল এবং একটি থ্রিডি ইমেজ মডেল।
DALL-E 2 এবং Stable Diffusion-এর মতো আর্টওয়ার্ক জেনারেশন সিস্টেমের অনুরূপ টেক্সট-টু-ইমেজ মডেলটিকে, শব্দ এবং ভিজ্যুয়াল ধারণার মধ্যেকার সম্পর্ক বোঝার জন্য লেবেলযুক্ত ছবির উপর প্রশিক্ষণ দেওয়া হয়েছিল । অন্যদিকে, ৩ডি ইমেজ মডেলটিকে, এই দুটিকে কার্যকরভাবে রূপান্তর করতে শেখার জন্য, ৩ডি বস্তুর সাথে সম্পর্কিত এক সেট ছবি দেওয়া হয়েছিল। উদাহরণস্বরূপ, যখন "একটি ৩ডি-প্রিন্টযোগ্য গিয়ার, একটি একক গিয়ার যার ব্যাস ৭ সেমি এবং পুরুত্ব ১ সেমি" - এই ধরনের একটি টেক্সট মেসেজ দেওয়া হয়, তখন Point-E-এর টেক্সট-টু-ইমেজ মডেলটি একটি রেন্ডার করা সিন্থেটিক বস্তু তৈরি করে, যা পরবর্তীতে ৩ডি ইমেজ মডেলে পাঠানো হয়।
পরবর্তীটি তারপর পয়েন্টের মেঘ তৈরি করে। "কয়েক মিলিয়ন" 3D অবজেক্ট এবং সংশ্লিষ্ট মেটাডেটার ডেটাসেটে মডেলগুলিকে প্রশিক্ষণ দেওয়ার পরে, পয়েন্ট-ই রঙিন পয়েন্ট ক্লাউড তৈরি করতে সক্ষম হয়েছিল যা প্রায়শই টেক্সট প্রম্পটের সাথে মেলে, OpenAI গবেষকরা বলছেন। নিখুঁত নয়: Point-E এর 3D ইমেজ মডেল কখনও কখনও টেক্সট ইমেজ মডেল থেকে ইমেজ বুঝতে পারে না, ফলে একটি আকৃতি যা টেক্সট মেসেজের সাথে মেলে না। তবুও, এটি শিল্পের আগের অবস্থার তুলনায় অনেক দ্রুত, অন্তত OpenAI টিমের মতে।
ফলাফলটি একটি চলচ্চিত্র বা একটি ভিডিও গেমে একটি বাণিজ্যিক 3D রেন্ডারিংয়ের গুণমানে পৌঁছানো থেকে অনেক দূরে। কিন্তু এটা হওয়ার কথা নয়। একবার সেগুলিকে ব্লেন্ডারের মতো একটি 3D অ্যাপ্লিকেশনে খাওয়ানো হলে, সেগুলিকে টেক্সচারযুক্ত মেশে পরিণত করা যেতে পারে যা দেখতে সাধারণ 3D চিত্রগুলির মতো।
"যদিও আমাদের পদ্ধতিটি এখনও নমুনার মানের দিক থেকে স্ক্র্যাচ করার মতো নয়, এটি একটি বা দুটি অর্ডার দ্রুত মাত্রার, যা কিছু ব্যবহারের ক্ষেত্রে একটি ব্যবহারিক আপস," ওপেনএআই গবেষকরা প্রকল্পটি বর্ণনা করে পেপারে ব্যাখ্যা করেছেন।
অবশেষে, আপনি যদি পয়েন্ট-ই বা সোর্স কোড সম্পর্কে আরও জানতে আগ্রহী হন , তাহলে নিচের লিঙ্কে বিস্তারিত তথ্য পেয়ে যাবেন।