ইমেজ-ইনটু-প্রম্পটের মাধ্যমে সূক্ষ্ম-গ্রেইন কাস্টমাইজড ফ্যাশন ডিজাইন: বিইউজি বেঞ্চমার্ক ও ডেটাসেট

1. ভূমিকা

জেনারেটিভ এআই (জেনএআই) জটিল শিল্প ওয়ার্কফ্লোগুলোতে বিপ্লব ঘটাচ্ছে। পোশাক শিল্পে, গ্রাহকের চাহিদা থেকে শুরু করে ডিজাইনার, প্যাটার্ন মেকার, দর্জি এবং চূড়ান্ত বিতরণ পর্যন্ত ঐতিহ্যগত পাইপলাইন এখন লার্জ মাল্টিমোডাল মডেল (এলএমএম) দ্বারা সমৃদ্ধ হচ্ছে। যদিও বর্তমান এলএমএমগুলো আইটেম সুপারিশের জন্য গ্রাহকের পছন্দ বিশ্লেষণে দক্ষ, সূক্ষ্ম-গ্রেইন, ব্যবহারকারী-চালিত কাস্টমাইজেশন সক্ষম করার ক্ষেত্রে একটি উল্লেখযোগ্য ফাঁক রয়েছে। ব্যবহারকারীরা ক্রমবর্ধমানভাবে তাদের নিজস্ব ডিজাইনার হিসেবে কাজ করতে চায়, ডিজাইন তৈরি করে এবং সন্তুষ্ট না হওয়া পর্যন্ত পুনরাবৃত্তি করতে চায়। তবে, খাঁটি পাঠ্য-ভিত্তিক প্রম্পট (যেমন, "সাদা ব্লেজার") অস্পষ্টতায় ভোগে, যা একজন ডিজাইনার অনুমান করবে এমন পেশাদার বিবরণ (যেমন, নির্দিষ্ট কলার স্টাইল) থেকে বঞ্চিত। এই গবেষণাপত্রটি বেটার আন্ডারস্ট্যান্ডিং জেনারেশন (বিইউজি) ওয়ার্কফ্লো উপস্থাপন করে, যা পাঠ্যের পাশাপাশি ইমেজ-ইনটু-প্রম্পট ইনপুট ব্যাখ্যা করতে এলএমএম ব্যবহার করে, যা অপেশাদার ব্যবহারকারীর অভিপ্রায় এবং পেশাদার-গ্রেড আউটপুটের মধ্যে ব্যবধান পূরণ করে সুনির্দিষ্ট, পুনরাবৃত্তিমূলক ফ্যাশন ডিজাইন সম্পাদনা সক্ষম করে।

2. পদ্ধতি

2.1 বিইউজি ওয়ার্কফ্লো

বিইউজি ওয়ার্কফ্লো বাস্তব-বিশ্বের একটি ডিজাইন পরামর্শ সিমুলেট করে। এটি একটি আরম্ভকরণ পর্যায় দিয়ে শুরু হয় যেখানে ব্যবহারকারীর পাঠ্য বর্ণনা (যেমন, "ফ্যাব্রিক প্যাটার্ন সহ একটি সুতি ব্লেজার") থেকে একটি বেস গার্মেন্ট ইমেজ তৈরি করা হয়। এরপর, ব্যবহারকারী একটি পুনরাবৃত্তিমূলক লুপের মাধ্যমে সম্পাদনার অনুরোধ করতে পারে। প্রতিটি পুনরাবৃত্তিতে একটি টেক্সট-অ্যাজ-প্রম্পট (যেমন, "কলার পরিবর্তন করুন") এবং, গুরুত্বপূর্ণভাবে, একটি ইমেজ-ইনটু-প্রম্পট জড়িত থাকে—একটি রেফারেন্স ইমেজ যা কাঙ্ক্ষিত স্টাইল উপাদান চিত্রিত করে (যেমন, একটি পিকড ল্যাপেলের ছবি)। এলএমএম এই মাল্টিমোডাল ইনপুট প্রক্রিয়া করে সম্পাদিত ডিজাইন তৈরি করে, যা ব্যবহারকারী গ্রহণ করতে পারে বা পরবর্তী পরিমার্জনের ভিত্তি হিসেবে ব্যবহার করতে পারে।

2.2 ইমেজ-ইনটু-প্রম্পট মেকানিজম

এটিই মূল উদ্ভাবন। ভিজ্যুয়াল ধারণার শুধুমাত্র পাঠ্য বর্ণনার উপর নির্ভর করার পরিবর্তে, সিস্টেমটি একটি রেফারেন্স ইমেজ গ্রহণ করে। এলএমএমের ভিশন এনকোডার এই রেফারেন্স থেকে ভিজ্যুয়াল বৈশিষ্ট্যগুলো নিষ্কাশন করে, যা তারপর এনকোড করা টেক্সট প্রম্পটের সাথে একীভূত হয়। এই ফিউশন ইমেজ জেনারেশন/এডিটিং মডেলের জন্য একটি সমৃদ্ধ, কম অস্পষ্ট কন্ডিশনিং সিগন্যাল তৈরি করে, যা ভূমিকায় উল্লিখিত "টেক্সট অনিশ্চয়তা" সমস্যার সরাসরি সমাধান করে।

2.3 এলএমএম আর্কিটেকচার

প্রস্তাবিত সিস্টেমটি একটি দ্বৈত-এলএমএম সেটআপ ব্যবহার করে, যা চিত্র ২-এ eLMM এবং mLMM হিসাবে ইঙ্গিত করা হয়েছে। eLMM (এডিটর এলএমএম) মাল্টিমোডাল সম্পাদনা অনুরোধ বোঝা এবং পরিবর্তনের পরিকল্পনার জন্য দায়ী। mLMM (মডিফায়ার এলএমএম) প্রকৃত ইমেজ সম্পাদনা কার্যকর করে, সম্ভবত স্টেবল ডিফিউশন ৩-এর মতো একটি ডিফিউশন-ভিত্তিক আর্কিটেকচারের উপর নির্মিত, যা ফিউজড টেক্সট-ইমেজ উপস্থাপনার উপর কন্ডিশন্ড। এই পৃথকীকরণ বিশেষায়িত যুক্তি এবং কার্যকর করার অনুমতি দেয়।

3. ফ্যাশনএডিট ডেটাসেট

3.1 ডেটাসেট নির্মাণ

বিইউজি ওয়ার্কফ্লো যাচাই করার জন্য, লেখকরা ফ্যাশনএডিট ডেটাসেট উপস্থাপন করেছেন। এই ডেটাসেটটি বাস্তব-বিশ্বের পোশাক ডিজাইন ওয়ার্কফ্লো সিমুলেট করার জন্য ডিজাইন করা হয়েছে। এতে ট্রিপলেট রয়েছে: (১) একটি বেস গার্মেন্ট ইমেজ, (২) একটি পাঠ্য সম্পাদনা নির্দেশনা (যেমন, "পিকড ল্যাপেল স্টাইলে পরিবর্তন করুন"), এবং (৩) একটি রেফারেন্স স্টাইল ইমেজ যা লক্ষ্য বৈশিষ্ট্যটি চিত্রিত করে। ডেটাসেটটি কলার স্টাইল পরিবর্তন (পিকড ল্যাপেল), ফাস্টেনিং পরিবর্তন (৪-বাটন ডাবল-ব্রেস্টেড), এবং আনুষাঙ্গিক সংযোজন (বুটোনিয়ার যোগ করা) এর মতো সূক্ষ্ম-গ্রেইন সম্পাদনা কভার করে।

3.2 মূল্যায়ন মেট্রিক্স

প্রস্তাবিত মূল্যায়ন তিনগুণ:

• জেনারেশন সাদৃশ্য: সম্পাদিত আউটপুটটি রেফারেন্স ইমেজ থেকে উদ্দিষ্ট বৈশিষ্ট্যের কতটা কাছাকাছি মেলে তা পরিমাপ করে, এলপিআইপিএস (লার্নড পারসেপচুয়াল ইমেজ প্যাচ সিমিলারিটি) এবং ক্লিপ স্কোরের মতো মেট্রিক্স ব্যবহার করে।
• ব্যবহারকারী সন্তুষ্টি: ব্যবহারিক উপযোগিতা এবং ব্যবহারকারীর অভিপ্রায়ের সাথে সামঞ্জস্য মূল্যায়নের জন্য মানব মূল্যায়ন বা জরিপের মাধ্যমে মূল্যায়ন করা হয়।
• গুণমান: জেনারেট করা ইমেজের সামগ্রিক ভিজ্যুয়াল বিশ্বস্ততা এবং সুসংগততা মূল্যায়ন করে, আর্টিফ্যাক্ট মুক্ত।

4. পরীক্ষা ও ফলাফল

4.1 পরীক্ষামূলক সেটআপ

বিইউজি ফ্রেমওয়ার্কটি ফ্যাশনএডিট ডেটাসেটে বেসলাইন টেক্সট-অনলি এডিটিং পদ্ধতির (স্টেবল ডিফিউশন ৩ এবং ডিএএল-ই ২-এর মতো মডেল ইনপেইন্টিং সহ ব্যবহার করে) বিপরীতে বেঞ্চমার্ক করা হয়েছে। পরীক্ষাগুলো রেফারেন্স ইমেজ দ্বারা পরিচালিত সুনির্দিষ্ট, বৈশিষ্ট্য-নির্দিষ্ট সম্পাদনা সম্পাদন করার সিস্টেমের ক্ষমতা পরীক্ষা করে।

4.2 পরিমাণগত ফলাফল

গবেষণাপত্রটি তিনটি মূল্যায়ন মেট্রিক্স জুড়ে টেক্সট-অনলি বেসলাইনের তুলনায় বিইউজি ওয়ার্কফ্লোর উচ্চতর কর্মক্ষমতা রিপোর্ট করে। প্রধান ফলাফলগুলোর মধ্যে রয়েছে:

• উচ্চতর এলপিআইপিএস/ক্লিপ স্কোর: সম্পাদিত ইমেজগুলি রেফারেন্স ইমেজ দ্বারা নির্দিষ্ট করা লক্ষ্য বৈশিষ্ট্যগুলির সাথে বৃহত্তর উপলব্ধিগত সাদৃশ্য দেখায়।
• বর্ধিত ব্যবহারকারী সন্তুষ্টির হার: মানব মূল্যায়নে, ইমেজ-ইনটু-প্রম্পট পদ্ধতির আউটপুটগুলি ধারাবাহিকভাবে সম্পাদনা অনুরোধ আরও সঠিকভাবে পূরণ করেছে বলে রেট দেওয়া হয়।
• ইমেজ গুণমান বজায় রাখা: বিইউজি ওয়ার্কফ্লো লক্ষ্য সম্পাদনা করার সময় বেস গার্মেন্টের সামগ্রিক গুণমান এবং সুসংগততা বজায় রাখে।

4.3 গুণগত বিশ্লেষণ ও কেস স্টাডি

পিডিএফ থেকে চিত্র ১ এবং ২ প্ররোচক গুণগত প্রমাণ প্রদান করে। চিত্র ১ বাস্তব-বিশ্বের দৃশ্যকল্প চিত্রিত করে: একজন ব্যবহারকারী একটি সাদা ব্লেজারে একজন ব্যক্তির একটি ছবি এবং একটি নির্দিষ্ট কলারের একটি রেফারেন্স ছবি প্রদান করে, একটি পরিবর্তনের জন্য অনুরোধ করে। শুধুমাত্র পাঠ্য বর্ণনা "সাদা ব্লেজার" অপর্যাপ্ত। চিত্র ২ পুনরাবৃত্তিমূলক বিইউজি প্রক্রিয়ার (টেক্সট এবং ইমেজ প্রম্পট উভয়ই ব্যবহার করে) একটি টেক্সট-অনলি এডিটিং পাইপলাইনের বিপরীতে দৃশ্যত বৈপরীত্য দেখায়, দেখায় যে কীভাবে প্রথমটি সঠিক ডিজাইনের দিকে নিয়ে যায় যখন পরবর্তীটি প্রায়শই বুটোনিয়ার যোগ করা বা ৪-বাটন ডাবল-ব্রেস্টেড স্টাইলে পরিবর্তনের মতো সূক্ষ্ম-গ্রেইন কাজের জন্য ভুল বা অস্পষ্ট ফলাফল তৈরি করে।

5. প্রযুক্তিগত বিশ্লেষণ ও কাঠামো

5.1 গাণিতিক সূত্রায়ন

মূল জেনারেশন প্রক্রিয়াটিকে একটি কন্ডিশনাল ডিফিউশন প্রক্রিয়া হিসেবে ফ্রেম করা যেতে পারে। ধরা যাক $I_0$ হল প্রাথমিক বেস ইমেজ। একটি সম্পাদনা অনুরোধ হল একটি জোড়া $(T_{edit}, I_{ref})$, যেখানে $T_{edit}$ হল পাঠ্য নির্দেশনা এবং $I_{ref}$ হল রেফারেন্স ইমেজ। এলএমএম এটিকে একটি সম্মিলিত কন্ডিশনিং ভেক্টর $c = \mathcal{F}(\phi_{text}(T_{edit}), \phi_{vision}(I_{ref}))$ এ এনকোড করে, যেখানে $\mathcal{F}$ হল একটি ফিউশন নেটওয়ার্ক (যেমন, ক্রস-অ্যাটেনশন)। সম্পাদিত ইমেজ $I_{edit}$ তারপর $c$ এর উপর কন্ডিশন্ড রিভার্স ডিফিউশন প্রক্রিয়া থেকে নমুনা করা হয়: $$p_\theta(I_{edit} | I_0, c) = \prod_{t=1}^{T} p_\theta(I_{t-1} | I_t, c)$$ যেখানে $\theta$ হল mLMM-এর প্যারামিটার। স্ট্যান্ডার্ড টেক্সট-টু-ইমেজ ডিফিউশন থেকে মূল পার্থক্য হল মাল্টিমোডাল ফিউশন থেকে প্রাপ্ত সমৃদ্ধ কন্ডিশনিং $c$।

5.2 বিশ্লেষণ কাঠামোর উদাহরণ

কেস: একটি ব্লেজার ল্যাপেল সম্পাদনা

1. ইনপুট: বেস ইমেজ ($I_0$): একটি নচ-ল্যাপেল ব্লেজারে একজন মহিলার ছবি। সম্পাদনা অনুরোধ: $(T_{edit}="পিকড ল্যাপেল স্টাইলে পরিবর্তন করুন", I_{ref}=[একটি পিকড ল্যাপেলের ছবি])$।
2. এলএমএম প্রসেসিং: eLMM $T_{edit}$ পার্স করে লক্ষ্য অঞ্চল ("ল্যাপেল") এবং ক্রিয়া ("স্টাইল পরিবর্তন") চিহ্নিত করে। ভিশন এনকোডার $I_{ref}$ থেকে বৈশিষ্ট্যগুলি নিষ্কাশন করে যা "পিকড ল্যাপেল" ভিজ্যুয়ালি সংজ্ঞায়িত করে।
3. কন্ডিশনিং ফিউশন: $I_0$ থেকে "ল্যাপেল" এর বৈশিষ্ট্য, পাঠ্য ধারণা "পিকড", এবং $I_{ref}$ থেকে ভিজ্যুয়াল টেমপ্লেট mLMM-এর জন্য একটি একীভূত স্পেসিয়াল-অ্যাওয়ার কন্ডিশনিং ম্যাপে সারিবদ্ধ এবং একীভূত হয়।
4. কার্যকর: mLMM (একটি ডিফিউশন মডেল) $I_0$ এর ল্যাপেল অঞ্চলে ইনপেইন্টিং/এডিটিং সম্পাদন করে, ফিউজড কন্ডিশনিং দ্বারা পরিচালিত, নচ ল্যাপেলকে একটি পিকড ল্যাপেলে রূপান্তর করে বাকি ব্লেজার এবং মডেলের পোজ সংরক্ষণ করে।
5. আউটপুট: $I_{edit}$: একই বেস ইমেজ, কিন্তু একটি সঠিকভাবে পরিবর্তিত পিকড ল্যাপেল সহ।

6. ভবিষ্যতের প্রয়োগ ও দিকনির্দেশনা

বিইউজি ওয়ার্কফ্লোর ফ্যাশনের বাইরেও প্রভাব রয়েছে:

• অভ্যন্তরীণ ও পণ্য ডিজাইন: ব্যবহারকারীরা একটি ৩ডি মডেল বা রুম রেন্ডারিং পরিবর্তন করার জন্য একটি আসনের পা বা ফ্যাব্রিক টেক্সচারের একটি রেফারেন্স ইমেজ দেখাতে পারে।
• গেম অ্যাসেট ক্রিয়েশন: বেস মডেলগুলিকে স্টাইল রেফারেন্সের সাথে মিলিয়ে চরিত্রের বর্ম, অস্ত্র বা পরিবেশের দ্রুত প্রোটোটাইপিং।
• স্থাপত্য ভিজ্যুয়ালাইজেশন: উদাহরণ ইমেজের ভিত্তিতে বিল্ডিং ফ্যাসাড বা অভ্যন্তরীণ ফিনিশ পরিবর্তন করা।
• ভবিষ্যতের গবেষণা: ভিডিও সম্পাদনা (ফ্রেম জুড়ে একজন অভিনেতার পোশাক পরিবর্তন), ৩ডি শেপ এডিটিং, এবং সম্পাদনার কম্পোজিশনালিটি উন্নত করার জন্য প্রসারিত করা (একাধিক, সম্ভাব্যভাবে বিরোধপূর্ণ রেফারেন্স ইমেজ পরিচালনা করা)। একটি প্রধান দিক হল এলএমএম-এর স্থানিক সম্পর্ক এবং পদার্থবিদ্যা সম্পর্কে যুক্তি উন্নত করা যাতে সম্পাদনাগুলি শুধুমাত্র ভিজ্যুয়ালি সঠিক নয় বরং বিশ্বাসযোগ্যও হয় (যেমন, একটি বুটোনিয়ার ল্যাপেলের সাথে সঠিকভাবে সংযুক্ত)।

7. তথ্যসূত্র

1. স্টেবল ডিফিউশন ৩: গবেষণাপত্র, স্ট্যাবিলিটি এআই।
2. রোমবাচ, আর., এট আল. (২০২২)। লেটেন্ট ডিফিউশন মডেল সহ উচ্চ-রেজোলিউশন ইমেজ সিন্থেসিস। আইইইই/সিভিএফ কনফারেন্স অন কম্পিউটার ভিশন অ্যান্ড প্যাটার্ন রিকগনিশন (সিভিপিআর) এর কার্যবিবরণী।
3. ওপেনএআই। (২০২২)। ডিএএল-ই ২। https://openai.com/dall-e-2
4. ইসোলা, পি., এট আল. (২০১৭)। কন্ডিশনাল অ্যাডভারসারিয়াল নেটওয়ার্ক সহ ইমেজ-টু-ইমেজ ট্রান্সলেশন। আইইইই কনফারেন্স অন কম্পিউটার ভিশন অ্যান্ড প্যাটার্ন রিকগনিশন (সিভিপিআর) এর কার্যবিবরণী। (সাইকেলজিএএন একটি সম্পর্কিত আনসুপারভাইজড পদ্ধতি)।
5. লিউ, ভি., এবং চিল্টন, এল. বি. (২০২২)। টেক্সট-টু-ইমেজ জেনারেটিভ মডেলের জন্য প্রম্পট ইঞ্জিনিয়ারিং ডিজাইন নির্দেশিকা। সিএইচআই কনফারেন্স অন হিউম্যান ফ্যাক্টরস ইন কম্পিউটিং সিস্টেমস।
6. ব্রুকস, টি., এট আল. (২০২৩)। ইনস্ট্রাক্টপিক্সটুপিক্স: ইমেজ এডিটিং নির্দেশাবলী অনুসরণ করা শেখা। আইইইই/সিভিএফ কনফারেন্স অন কম্পিউটার ভিশন অ্যান্ড প্যাটার্ন রিকগনিশন (সিভিপিআর) এর কার্যবিবরণী।
7. লি, এইচ., এট আল. (২০২৫)। ইমেজ-ইনটু-প্রম্পট বেঞ্চমার্ক ও ডেটাসেট থেকে এলএমএম-এর মাধ্যমে সূক্ষ্ম-গ্রেইন কাস্টমাইজড ফ্যাশন ডিজাইন। arXiv:2509.09324।

8. মূল বিশ্লেষণ ও বিশেষজ্ঞ মন্তব্য

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রটি শুধুমাত্র ইমেজ এডিটিংয়ে আরেকটি ধারাবাহিক উন্নতি নয়; এটি মাল্টিমোডাল অভিপ্রায় অস্পষ্টতা দূরীকরণ এর দিকে একটি কৌশলগত পরিবর্তন। লেখকরা সঠিকভাবে চিহ্নিত করেছেন যে সৃজনশীল ডোমেনে জেনারেটিভ এআই-এর পরবর্তী সীমান্ত কাঁচা শক্তি নয়, বরং সুনির্দিষ্ট যোগাযোগ। প্রকৃত বাধা মডেলের "ব্লেজার" তৈরি করার ক্ষমতা নয়, বরং ব্যবহারকারীর মনে কোন নির্দিষ্ট ব্লেজার আছে তা বোঝার ক্ষমতা। "ইমেজ-অ্যাজ-রেফারেন্স" প্যারাডাইমকে একটি "ইমেজ-ইনটু-প্রম্পট" বেঞ্চমার্ক (বিইউজি) এ আনুষ্ঠানিক করে, তারা সেই মৌলিক অস্পষ্টতা সমস্যার সমাধান করছে যা মানব-এআই সহ-সৃষ্টিকে পীড়িত করে। এটি সাইকেলজিএএন (যা আনপেয়ার্ড স্টাইল ট্রান্সফার শেখে) বা ইনস্ট্রাক্টপিক্সটুপিক্স (যা শুধুমাত্র পাঠ্যের উপর নির্ভর করে) এর মতো মডেলের সুপরিচিত পথের বাইরে চলে যায়, স্পষ্টভাবে এআইকে ভিজ্যুয়াল উদাহরণ ক্রস-রেফারেন্স করতে বাধ্য করে, একটি জ্ঞানীয় পদক্ষেপ যা মানব ডিজাইনাররা কীভাবে কাজ করে তার কাছাকাছি।

যুক্তিগত প্রবাহ: যুক্তিটি আকর্ষক এবং সুগঠিত। এটি একটি স্পষ্ট শিল্প ব্যথার বিন্দু দিয়ে শুরু হয় (অপেশাদার টেক্সট প্রম্পট এবং পেশাদার ডিজাইন আউটপুটের মধ্যে ব্যবধান), একটি জ্ঞানগতভাবে বিশ্বাসযোগ্য সমাধান প্রস্তাব করে (ডিজাইনারদের রেফারেন্স ইমেজ ব্যবহারের অনুকরণ), এবং তারপর একটি কংক্রিট প্রযুক্তিগত ওয়ার্কফ্লো (বিইউজি) এবং একটি বিশেষভাবে তৈরি মূল্যায়ন ডেটাসেট (ফ্যাশনএডিট) দ্বারা সমর্থন করে। একটি দ্বৈত-এলএমএম আর্কিটেকচার (eLMM/mLMM) ব্যবহার যৌক্তিকভাবে উচ্চ-স্তরের পরিকল্পনা থেকে নিম্ন-স্তরের কার্যকরকে আলাদা করে, একটি ডিজাইন প্যাটার্ন যা এজেন্ট-ভিত্তিক এআই সিস্টেমে ট্র্যাকশন অর্জন করছে, যেমন গুগল ডিপমাইন্ডের মতো প্রতিষ্ঠানগুলোর টুল-ইউজ এবং প্ল্যানিং-এর গবেষণায় দেখা যায়।

শক্তি ও ত্রুটি: প্রধান শক্তি হল সমস্যা ফ্রেমিং এবং বেঞ্চমার্ক সৃষ্টি। ফ্যাশনএডিট ডেটাসেট, যদি সর্বজনীনভাবে উপলব্ধ করা হয়, তবে সূক্ষ্ম-গ্রেইন এডিটিং মূল্যায়নের জন্য একটি মান হয়ে উঠতে পারে, যেমন অবজেক্ট ডিটেকশনের জন্য এমএস-কোকো। ব্যবহারকারী সন্তুষ্টিকে একটি মেট্রিক হিসেবে একীভূত করাও প্রশংসনীয়, স্বীকার করে যে শুধুমাত্র প্রযুক্তিগত স্কোর অপর্যাপ্ত। যাইহোক, উদ্ধৃত অংশে উপস্থাপিত গবেষণাপত্রের উল্লেখযোগ্য ফাঁক রয়েছে। এলএমএম ফিউশন মেকানিজমের প্রযুক্তিগত বিবরণ অপ্রতুল। $I_{ref}$ থেকে ভিজ্যুয়াল বৈশিষ্ট্যগুলি কীভাবে $I_0$ এর স্থানিক অঞ্চলের সাথে সারিবদ্ধ হয়? এটি কি ক্রস-অ্যাটেনশন, একটি নিবেদিত স্পেসিয়াল অ্যালাইনমেন্ট মডিউল, বা অন্য কিছুর মাধ্যমে? তদুপরি, মূল্যায়ন, যদিও প্রতিশ্রুতিশীল, আরও কঠোর অবলেশন স্টাডি প্রয়োজন। উন্নতির কতটা রেফারেন্স ইমেজ থেকে আসে বনাম শুধুমাত্র একটি ভাল-টিউন করা বেস মডেল থাকার কারণে? ইনস্ট্রাক্টপিক্সটুপিক্স বা ড্র্যাগজিএএন-স্টাইল পয়েন্ট-ভিত্তিক এডিটিংয়ের মতো শক্তিশালী বেসলাইনের সাথে তুলনা আরও শক্তিশালী প্রমাণ প্রদান করবে।

কার্যকরী অন্তর্দৃষ্টি: শিল্প অনুশীলনকারীদের জন্য, এই গবেষণা একটি স্পষ্ট নির্দেশনা দেয়: আপনার জেনারেটিভ এআই পণ্যগুলির জন্য মাল্টিমোডাল ইন্টারঅ্যাকশন স্তরে বিনিয়োগ করুন। একটি সাধারণ টেক্সট বক্স আর যথেষ্ট নয়। ইউআই অবশ্যই ব্যবহারকারীদের রেফারেন্স ইমেজ টেনে আনতে, ফেলতে বা বৃত্তাকার করতে দিতে হবে। গবেষকদের জন্য, বিইউজি বেঞ্চমার্ক বেশ কয়েকটি পথ খোলে: ১) রোবাস্টনেস টেস্টিং—নিম্ন-গুণমান বা শব্দার্থিকভাবে দূরবর্তী রেফারেন্স ইমেজের সাথে মডেলটি কীভাবে কাজ করে? ২) কম্পোজিশনালিটি—এটি কি "ইমেজ এ থেকে কলার এবং ইমেজ বি থেকে হাতা তৈরি করুন" পরিচালনা করতে পারে? ৩) সাধারণীকরণ—সূত্রগুলো কি গ্রাফিক ডিজাইন বা শিল্প সিএডি-এর মতো অ-ফ্যাশন ডোমেনে প্রয়োগ করা যেতে পারে? চূড়ান্ত পরীক্ষা হবে এই পদ্ধতিটি নিয়ন্ত্রিত ডেটাসেট থেকে বাস্তব ব্যবহারকারীদের বিশৃঙ্খল, উন্মুক্ত সৃজনশীলতায় স্থানান্তরিত করতে পারে কিনা, একটি চ্যালেঞ্জ যা প্রায়শই একাডেমিক প্রোটোটাইপকে বাণিজ্যিক সাফল্য থেকে আলাদা করে, যেমন পূর্ববর্তী জিএএন-ভিত্তিক সৃজনশীল টুলগুলির ইতিহাস দেখিয়েছে।