ফ্যাশন-ডিফিউশন ডেটাসেট: এআই ফ্যাশন ডিজাইনের জন্য দশ লক্ষ উচ্চ-মানের ছবি

সূচিপত্র

1. ভূমিকা

কৃত্রিম বুদ্ধিমত্তা (এআই) এবং ফ্যাশন ডিজাইনের সমন্বয় কম্পিউটার ভিশন ও সৃজনশীল শিল্পে একটি রূপান্তরমূলক সীমান্তের প্রতিনিধিত্ব করে। যদিও ডিএএল-ই, স্টেবল ডিফিউশন এবং ইমেজেনের মতো লেখা-থেকে-ছবি (টি২আই) মডেলগুলি অসাধারণ ক্ষমতা প্রদর্শন করেছে, ফ্যাশন ডিজাইনের মতো বিশেষায়িত ক্ষেত্রে তাদের প্রয়োগ একটি গুরুত্বপূর্ণ বাধার কারণে সীমাবদ্ধ রয়েছে: বৃহৎ-পরিসরের, উচ্চ-মানের এবং ডোমেন-নির্দিষ্ট ডেটাসেটের অভাব।

ডিপফ্যাশন, সিএম-ফ্যাশন এবং প্রাডার মতো বিদ্যমান ফ্যাশন ডেটাসেটগুলি স্কেল (প্রায়শই <১০০ হাজার ছবি), রেজোলিউশন (যেমন ২৫৬x২৫৬), ব্যাপকতা (সম্পূর্ণ দেহের মানব চিত্র বা বিস্তারিত লেখা বর্ণনার অভাব), বা টীকাকরণের সূক্ষ্মতার সীমাবদ্ধতায় ভুগছে। এই গবেষণাপত্রটি ফ্যাশন-ডিফিউশন ডেটাসেট উপস্থাপন করে, যা এই ফাঁক পূরণের জন্য বহু বছরের প্রচেষ্টার ফল। এটি দশ লক্ষেরও বেশি উচ্চ-রেজোলিউশনের (৭৬৮x১১৫২) ফ্যাশন ছবি নিয়ে গঠিত, যার প্রতিটির সাথে পোশাক এবং মানব বৈশিষ্ট্য উভয়ই কভার করে এমন বিস্তারিত লেখা বর্ণনা যুক্ত রয়েছে, যা বৈশ্বিক ফ্যাশন প্রবণতার বিভিন্ন উৎস থেকে সংগ্রহ করা হয়েছে।

2. ফ্যাশন-ডিফিউশন ডেটাসেট

2.1 ডেটাসেট নির্মাণ ও সংগ্রহ

২০১৮ সালে শুরু হওয়া এই ডেটাসেট নির্মাণে উচ্চ-মানের পোশাকের ছবির একটি বিশাল সংগ্রহশালা থেকে সযত্নে সংগ্রহ ও সংকলন জড়িত ছিল। একটি মূল পার্থক্য হল বৈশ্বিক বৈচিত্র্য-এর উপর ফোকাস, শুধুমাত্র পশ্চিমা-কেন্দ্রিক শৈলী নয়, বিশ্বব্যাপী ফ্যাশন প্রবণতাকে ধারণ করার জন্য বিভিন্ন ভৌগোলিক ও সাংস্কৃতিক প্রেক্ষাপট থেকে ছবি সংগ্রহ করা হয়েছে।

পাইপলাইনটি স্বয়ংক্রিয় এবং ম্যানুয়াল প্রক্রিয়ার সমন্বয়ে গঠিত। প্রাথমিক সংগ্রহের পরে গুণমান ও প্রাসঙ্গিকতার জন্য কঠোর ফিল্টারিং করা হয়। একটি হাইব্রিড টীকাকরণ কৌশল প্রয়োগ করা হয়, যা স্বয়ংক্রিয় বিষয় সনাক্তকরণ/শ্রেণীবিভাগ এবং পোশাক ডিজাইন বিশেষজ্ঞদের দ্বারা ম্যানুয়াল যাচাইকরণ উভয়কেই কাজে লাগিয়ে নির্ভুলতা ও বিশদতা নিশ্চিত করে।

2.2 ডেটা টীকাকরণ ও বৈশিষ্ট্য

ফ্যাশন বিশেষজ্ঞদের সহযোগিতায়, দলটি পোশাক-সম্পর্কিত বৈশিষ্ট্যের একটি ব্যাপক অন্টোলজি সংজ্ঞায়িত করেছে। চূড়ান্ত ডেটাসেটে ৮,০৩৭টি টীকাকৃত বৈশিষ্ট্য অন্তর্ভুক্ত রয়েছে, যা টি২আই তৈরির প্রক্রিয়ার উপর সূক্ষ্ম নিয়ন্ত্রণ সক্ষম করে। বৈশিষ্ট্যগুলি কভার করে:

• পোশাকের বিবরণ: বিভাগ (ড্রেস, শার্ট, প্যান্ট), শৈলী (বোহেমিয়ান, মিনিমালিস্ট), কাপড় (সিল্ক, ডেনিম), রঙ, নকশা, নেকলাইন, হাতার দৈর্ঘ্য।
• মানব প্রসঙ্গ: ভঙ্গি, শরীরের ধরন, লিঙ্গ, বয়স গ্রুপ, পোশাকের সাথে মিথস্ক্রিয়া।
• দৃশ্য ও প্রসঙ্গ: উপলক্ষ্য (ক্যাজুয়াল, ফরমাল), পরিবেশ।

প্রতিটি ছবি এক বা একাধিক উচ্চ-মানের লেখা বর্ণনার সাথে যুক্ত, যার ফলে ১.৫৯ মিলিয়ন লেখা-ছবি জোড়া তৈরি হয়েছে, যা টি২আই মডেল প্রশিক্ষণের জন্য অত্যন্ত গুরুত্বপূর্ণ শব্দার্থিক সারিবদ্ধতাকে উল্লেখযোগ্যভাবে সমৃদ্ধ করে।

2.3 ডেটাসেট পরিসংখ্যান ও বৈশিষ্ট্যাবলী

• স্কেল: ১,০৪৪,৪৯১টি ছবি।
• রেজোলিউশন: উচ্চ-রেজোলিউশন ৭৬৮x১১৫২, বিস্তারিত ডিজাইন ভিজ্যুয়ালাইজেশনের জন্য উপযুক্ত।
• লেখা-ছবি জোড়া: ১,৫৯৩,৮০৮টি বর্ণনা।
• বৈচিত্র্য: ভৌগোলিক ও সাংস্কৃতিকভাবে বৈচিত্র্যময় উৎস।
• টীকাকরণের গভীরতা: ৮,০৩৭টি সূক্ষ্ম বৈশিষ্ট্য।
• মানব-কেন্দ্রিক: বিচ্ছিন্ন পোশাকের আইটেম নয়, বরং পোশাক পরিহিত সম্পূর্ণ দেহের মানব চিত্রের উপর ফোকাস।

3. পরীক্ষামূলক মানদণ্ড ও ফলাফল

3.1 মূল্যায়নের মেট্রিক্স

প্রস্তাবিত মানদণ্ডটি স্ট্যান্ডার্ড মেট্রিক্স ব্যবহার করে একাধিক অক্ষে টি২আই মডেলগুলির মূল্যায়ন করে:

• ফ্রেচেট ইনসেপশন ডিসট্যান্স (এফআইডি): তৈরি করা এবং বাস্তব ছবির বন্টনের মধ্যে সাদৃশ্য পরিমাপ করে। যত কম তত ভালো।
• ইনসেপশন স্কোর (আইএস): তৈরি করা ছবির গুণমান ও বৈচিত্র্য মূল্যায়ন করে। যত বেশি তত ভালো।
• ক্লিপস্কোর: তৈরি করা ছবি এবং ইনপুট লেখা প্রম্পটের মধ্যে শব্দার্থিক সারিবদ্ধতা মূল্যায়ন করে। যত বেশি তত ভালো।

3.2 তুলনামূলক বিশ্লেষণ

ফ্যাশন-ডিফিউশনে প্রশিক্ষিত মডেলগুলিকে অন্যান্য বিশিষ্ট ফ্যাশন ডেটাসেটে (যেমন, ডিপফ্যাশন-এমএম) প্রশিক্ষিত মডেলগুলির সাথে তুলনা করা হয়েছে। এই তুলনাটি মডেলের কার্যকারিতার উপর ডেটাসেটের গুণমান ও স্কেলের প্রভাবকে তুলে ধরে।

3.3 ফলাফল ও কার্যকারিতা

পরীক্ষামূলক ফলাফলগুলি ফ্যাশন-ডিফিউশন ডেটাসেটে প্রশিক্ষিত মডেলগুলির শ্রেষ্ঠত্ব প্রদর্শন করে:

• এফআইডি: ৮.৩৩ (ফ্যাশন-ডিফিউশন) বনাম ১৫.৩২ (বেসলাইন)। প্রায় ৪৬% উন্নতি, যা নির্দেশ করে যে তৈরি করা ছবিগুলি উল্লেখযোগ্যভাবে বেশি ফটোরিয়েলিস্টিক এবং বাস্তব ডেটার সাথে সারিবদ্ধ।
• আইএস: ৬.৯৫ বনাম ৪.৭। প্রায় ৪৮% উন্নতি, যা আরও ভালো অনুভূত ছবির গুণমান ও বৈচিত্র্য প্রতিফলিত করে।
• ক্লিপস্কোর: ০.৮৩ বনাম ০.৭০। প্রায় ১৯% উন্নতি, যা উন্নত লেখা-ছবি শব্দার্থিক সারিবদ্ধতা দেখায়।

চার্ট বর্ণনা (কল্পিত): "টি২আই মডেল কার্যকারিতা তুলনা" শিরোনামের একটি বার চার্টে এফআইডি, আইএস এবং ক্লিপস্কোরের জন্য তিন জোড়া বার দেখাবে। "ফ্যাশন-ডিফিউশন" বারগুলি "বেসলাইন ডেটাসেট" বারের তুলনায় উল্লেখযোগ্যভাবে বেশি (আইএস, ক্লিপস্কোরের জন্য) বা কম (এফআইডির জন্য) হবে, যা পাঠ্যে রিপোর্ট করা পরিমাণগত শ্রেষ্ঠত্বকে দৃশ্যত নিশ্চিত করবে।

4. প্রযুক্তিগত কাঠামো ও পদ্ধতি

4.1 লেখা-থেকে-ছবি সংশ্লেষণ পাইপলাইন

গবেষণাটি ডিফিউশন মডেলগুলিকে কাজে লাগায়, যা বর্তমানে টি২আই তৈরির জন্য সর্বশেষ প্রযুক্তি। পাইপলাইনটিতে সাধারণত জড়িত থাকে:

1. লেখা এনকোডিং: ইনপুট লেখা প্রম্পটগুলি ক্লিপ বা টি৫-এর মতো একটি মডেল ব্যবহার করে একটি লুকানো উপস্থাপনায় এনকোড করা হয়।
2. ডিফিউশন প্রক্রিয়া: একটি ইউ-নেট আর্কিটেকচার লেখা এম্বেডিং দ্বারা পরিচালিত হয়ে, একটি সুসংগত ছবি তৈরি করতে এলোমেলো গাউসিয়ান নয়েজকে পুনরাবৃত্তিমূলকভাবে ডিনয়েজ করে। প্রক্রিয়াটি একটি ফরোয়ার্ড (নয়েজিং) এবং রিভার্স (ডিনয়েজিং) মার্কভ চেইন দ্বারা সংজ্ঞায়িত।
3. সূক্ষ্ম নিয়ন্ত্রণ: ফ্যাশন-ডিফিউশনে বিস্তারিত বৈশিষ্ট্য লেবেলগুলি নির্দিষ্ট বৈশিষ্ট্যগুলির উপর ভিত্তি করে ডিফিউশন প্রক্রিয়াকে কন্ডিশনিং করার অনুমতি দেয়, যা তৈরি করা ফ্যাশন আইটেমগুলির উপর সুনির্দিষ্ট নিয়ন্ত্রণ সক্ষম করে।

4.2 গাণিতিক ভিত্তি

ডিফিউশন মডেলগুলির মূল হল একটি ফরোয়ার্ড নয়েজিং প্রক্রিয়াকে বিপরীত করতে শেখা। একটি ডেটা পয়েন্ট $x_0$ (একটি বাস্তব ছবি) দেওয়া হলে, ফরোয়ার্ড প্রক্রিয়াটি $T$ ধাপের উপর ক্রমবর্ধমান নয়েজি লুকানো অবস্থার একটি ক্রম $x_1, x_2, ..., x_T$ উৎপন্ন করে:

$q(x_t | x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t} x_{t-1}, \beta_t I)$

যেখানে $\beta_t$ হল একটি ভ্যারিয়েন্স শিডিউল। একটি নিউরাল নেটওয়ার্ক $\theta$ দ্বারা প্যারামিটারাইজড রিভার্স প্রক্রিয়াটি ডিনয়েজ করতে শেখে:

$p_\theta(x_{t-1} | x_t) = \mathcal{N}(x_{t-1}; \mu_\theta(x_t, t), \Sigma_\theta(x_t, t))$

প্রশিক্ষণে একটি ভ্যারিয়েশনাল লোয়ার বাউন্ড অপ্টিমাইজ করা জড়িত। কন্ডিশনাল জেনারেশনের জন্য (যেমন, লেখা $y$ সহ), মডেলটি $p_\theta(x_{t-1} | x_t, y)$ শেখে। ফ্যাশন-ডিফিউশনে উচ্চ-মানের, ভালোভাবে সারিবদ্ধ জোড়াগুলি ফ্যাশন ডোমেনে এই কন্ডিশনাল ডিস্ট্রিবিউশন $p_\theta$ শেখার জন্য একটি শক্তিশালী প্রশিক্ষণ সংকেত প্রদান করে।

5. মূল অন্তর্দৃষ্টি ও বিশ্লেষকের দৃষ্টিভঙ্গি

6. প্রয়োগ কাঠামো ও কেস স্টাডি

এআই-সহায়ক ফ্যাশন ডিজাইনের কাঠামো:

1. ইনপুট: ডিজাইনার একটি প্রাকৃতিক ভাষার ব্রিফ প্রদান করে (যেমন, "একটি প্রবাহিত, মিডি-দৈর্ঘ্যের গ্রীষ্মের ড্রেস ল্যাভেন্ডার শিফনে, পাফ হাতা সহ, একটি গার্ডেন পার্টির জন্য") বা অন্টোলজি থেকে নির্দিষ্ট বৈশিষ্ট্যগুলি নির্বাচন করে।
2. তৈরি: ফ্যাশন-ডিফিউশনে প্রশিক্ষিত একটি ডিফিউশন মডেল (যেমন, একটি ফাইন-টিউন করা স্টেবল ডিফিউশন) একাধিক উচ্চ-রেজোলিউশনের ভিজ্যুয়াল ধারণা তৈরি করে।
3. পরিমার্জনা: ডিজাইনার নির্বাচন করে এবং পুনরাবৃত্তি করে, সম্ভাব্যভাবে ইনপেইন্টিং বা ইমেজ-টু-ইমেজ কৌশল ব্যবহার করে নির্দিষ্ট অঞ্চলগুলি পরিবর্তন করতে (যেমন, নেকলাইন পরিবর্তন, দৈর্ঘ্য সামঞ্জস্য)।
4. আউটপুট: প্রোটোটাইপিং বা ডিজিটাল অ্যাসেট তৈরির জন্য চূড়ান্ত ডিজাইন ভিজ্যুয়াল।

নন-কোড কেস স্টাডি: ট্রেন্ড ফোরকাস্টিং ও দ্রুত প্রোটোটাইপিং
একটি ফাস্ট-ফ্যাশন খুচরা বিক্রেতা সোশ্যাল মিডিয়া বিশ্লেষণের মাধ্যমে চিহ্নিত "কটেজকোর" নান্দনিকতার জন্য উদীয়মান ট্রেন্ডের সুযোগ নিতে চায়। ফ্যাশন-ডিফিউশন-চালিত টি২আই সিস্টেম ব্যবহার করে, তাদের ডিজাইন দল "কটেজকোর লিনেন পিনাফোর ড্রেস, স্মোকড বডিস, প্রেইরি নান্দনিকতা"-এর মতো প্রম্পট ইনপুট করে এবং ঘন্টার মধ্যে শত শত অনন্য ডিজাইন ভেরিয়েন্ট তৈরি করে। এগুলি দ্রুত পর্যালোচনা করা হয়, শীর্ষ ১০টি ডিজিটাল স্যাম্পলিংয়ের জন্য নির্বাচিত হয়, এবং ট্রেন্ড শনাক্তকরণ থেকে প্রোটোটাইপ পর্যন্ত লিড টাইম সপ্তাহ থেকে দিনে কমে যায়, যা বাজার প্রতিক্রিয়াশীলতাকে নাটকীয়ভাবে উন্নত করে।

7. ভবিষ্যতের প্রয়োগ ও দিকনির্দেশনা

• হাইপার-পার্সোনালাইজড ফ্যাশন: ব্যবহারকারী-নির্দিষ্ট শরীরের মেট্রিক্স এবং শৈলী পছন্দগুলিকে একীভূত করে কাস্টম-ফিট, ব্যক্তিগতকৃত পোশাক ডিজাইন তৈরি করা।
• ভার্চুয়াল ট্রাই-অন ও মেটাভার্স ফ্যাশন: ভার্চুয়াল বিশ্ব এবং সামাজিক প্ল্যাটফর্মে অ্যাভাটারগুলির জন্য বাস্তবসম্মত ডিজিটাল পোশাক তৈরির জন্য একটি মৌলিক ডেটাসেট হিসেবে কাজ করা।
• টেকসই ডিজাইন: বিস্তারিত পোশাক বৈশিষ্ট্য দ্বারা অবহিত এআই-চালিত উপাদান অপ্টিমাইজেশন এবং জিরো-ওয়েস্ট প্যাটার্ন জেনারেশন।
• ইন্টারেক্টিভ কো-ডিজাইন টুলস: রিয়েল-টাইম, কথোপকথনমূলক এআই ডিজাইন সহকারী যেখানে ডিজাইনাররা সংলাপের মাধ্যমে ধারণাগুলিকে পুনরাবৃত্তিমূলকভাবে পরিমার্জন করতে পারে।
• ক্রস-মোডাল ফ্যাশন সার্চ: ডেটাসেট থেকে শেখা যৌথ লেখা-ছবি এম্বেডিং স্পেস দ্বারা চালিত হয়ে, স্কেচ, বর্ণনামূলক ভাষা বা এমনকি কাঙ্ক্ষিত শৈলীর আপলোড করা ছবি ব্যবহার করে পোশাকের আইটেম অনুসন্ধান সক্ষম করা।
• নৈতিকতা ও পক্ষপাত প্রশমন: ভবিষ্যতের কাজ অবশ্যই ডেটাসেট অডিটিং এবং ডিবায়াসিং-এর উপর ফোকাস করতে হবে যাতে শরীরের ধরন, জাতিগততা এবং সংস্কৃতির মধ্যে ন্যায্য প্রতিনিধিত্ব নিশ্চিত করা যায়, ফ্যাশন শিল্পের স্টেরিওটাইপগুলির স্থায়িত্ব রোধ করা।

8. তথ্যসূত্র

1. Rombach, R., Blattmann, A., Lorenz, D., Esser, P., & Ommer, B. (2022). High-Resolution Image Synthesis with Latent Diffusion Models. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).
2. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
3. Liu, Z., Luo, P., Qiu, S., Wang, X., & Tang, X. (2016). DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
4. AI Now Institute. (2019). Disability, Bias, and AI. Retrieved from https://ainowinstitute.org
5. Ge, Y., Zhang, R., Wang, X., Tang, X., & Luo, P. (2021). DeepFashion-MM: A Text-to-Image Synthesis Dataset for Fashion. ACM Multimedia.
6. Yu, J., Zhang, L., Chen, Z., et al. (2024). Quality and Quantity: Unveiling a Million High-Quality Images for Text-to-Image Synthesis in Fashion Design. arXiv:2311.12067v3.