← CLR की यात्रा

परिकल्पना: नाज़ुकता ही असलियत है

CLR का वैचारिक केंद्र, जिसे मैंने v1.2 और v1.3 के बीच औपचारिक रूप दिया, मेरी मूल रिसर्च नोटबुक और पेटेंट डिस्क्लोज़र नोट्स से चुना गया।

एक पुनर्निर्माण परिकल्पना

अगर कोई चीज़ नष्ट की जा सकती है और कभी पूरी तरह वापस नहीं लाई जा सकती, तो इससे संकेत मिलता है कि वह असली थी। अगर कोई चीज़ नष्ट की जा सकती है और फिर उसका पुनर्निर्माण हो सकता है, तो इससे संकेत मिलता है कि वह जनरेट की गई थी। नाज़ुकता ही असलियत है। पुनर्प्राप्ति ही सिमुलेशन है।

एक असली फ़ोटो एक अपरिवर्तनीय भौतिक शृंखला का आउटपुट है:

text
scene → optics (PSF) → sensor (Bayer, PRNU, shot noise, dark current) → ADC → image

हर चरण एक ख़ास क्षण में सिलिकॉन के एक ख़ास टुकड़े से बँधी जानकारी छोड़ता है, ऐसा नॉइज़ जो स्थानिक रूप से असंगत है, क्वांटम यांत्रिकी और सॉलिड-स्टेट भौतिकी से प्रेरित है, और पिक्सल ग्रिड से बँधा है। जनरेट की गई इमेज एक अलग शृंखला का आउटपुट है:

text
Gaussian noise z → denoising trajectory (T steps of a learned score function) → image

एक अनेक-से-एक मैपिंग, जिसका “नॉइज़” मॉडल की आंतरिक बनावट से संरचित होता है, पिक्सल की स्थितियों से नहीं। प्रामाणिकता ऐसी चीज़ नहीं जिसे आप संश्लेषित कर सकें; वह कारणता का अवशेष है।

प्रोब: एक ज्यामितीय राउंड-ट्रिप

वार्प प्रोब इसे अमल में लाता है। एक छोटी टाइल T लीजिए, स्ट्रेंथ s पर एक छोटा रैंडम पर्सपेक्टिव होमोग्राफ़ी H लगाइए, फिर उसे उलट दीजिए:

text
R(s) = | T − H⁻¹( H( T ; s ) ; s ) |

दोहरी रीसैंपलिंग ग्रिड से बँधे सूक्ष्म-टेक्सचर को s के अनुपात में बिगाड़ देती है। असली PRNU एक ख़ास दर से नष्ट होता है; सिंथेटिक टेक्सचर, जो भौतिकी के द्वारा कभी ग्रिड से बँधा ही नहीं था, अलग तरह से प्रतिक्रिया देता है।

मैंने माप को जानबूझकर तीन-स्तरीय ढाँचा दिया, और फ़ाइलिंग के लिए इसे सही बनाना मायने रखता था:

  • ट्रायल (हर स्ट्रेंथ के लिए एक तय बंडल): कई रैंडम होमोग्राफ़ी का राउंड-ट्रिप किया जाता है और उनके रेज़िड्यूअल मैप का औसत लिया जाता है, जिससे दिशात्मक विचलन उस स्ट्रेंथ पर लगभग समदैशिक रेज़िड्यूअल अनुमान बन जाते हैं। ट्रायल की आपस में कभी तुलना नहीं होती; वे वैरिएंस घटाने का साधन हैं।
  • डिफ़रेंशियल (स्ट्रेंथ के आर-पार, एक क्षेत्र के भीतर): नाज़ुकता दर FR = (R(s_high) − R(s_low)) / (s_high − s_low), जो नज़र से अदृश्य दायरे के भीतर अच्छी तरह चुनी गई निम्न/उच्च स्ट्रेंथ की जोड़ी पर निकाली जाती है। भेद करने वाली राशि ∂R/∂s है, यानी विनाश की दर, जो बेसलाइन कंटेंट को निरस्त कर देती है और निरपेक्ष-रेज़िड्यूअल वाले तरीक़ों के उस अनुभव-विरुद्ध ढाँचे को सुधारती है कि “जनरेट की गई इमेज पूरी तरह वापस ठीक हो जाती हैं।”
  • क्रॉस-रीजन (दो दूर के क्षेत्रों के आर-पार, एक स्ट्रेंथ पर): ज्यामितीय रूप से जोड़ी गई टाइलों के रेज़िड्यूअल मैप के बीच सहसंबंध और ऊर्जा-अनुपात की तुलनाएँ, ऊपर-बाएँ बनाम नीचे-दाएँ। अगर दोनों पैच ऐसे रेज़िड्यूअल बनाते हैं जो एक ही प्रोजेक्टिव ट्रांसफ़ॉर्म के अंतर्गत सुसंगत रहते हैं, तो वे एक ही भौतिक निर्देशांक तंत्र में रहते हैं; विषय केवल तभी संभव था जब उसे असली दुनिया में कैप्चर किया गया हो। जो अपरिवर्तनीय सीखा जा रहा है वह भौतिकी है, पैटर्न नहीं।

स्लोप, स्कोर नहीं

परिकल्पना स्कोर और लोकल (प्रति-टाइल XGBoost) स्कोर दो परस्पर लंबवत प्रोब हैं, बाहर की ओर देखने वाला और भीतर की ओर देखने वाला नज़रिया। अकेला कोई भी काफ़ी नहीं; उनका आपसी संबंध ही सिग्नल है:

  • slope = hypothesis − local। चिह्न फ़ैसला है; परिमाण भरोसा है। 0.5 से नीचे के निरपेक्ष स्कोर भी दिशा के ज़रिए सही वर्गीकृत हो सकते हैं।
  • R(W) = W × slope विचलन को जमा करता है: चढ़ता हुआ वक्र भौतिक आधार का खुद को जताना है; गिरता हुआ वक्र उसकी अनुपस्थिति। विचलन की ज्यामिति ही फ़ैसला है, सीमा-रेखा पार करना गौण है।

स्लोप को स्थानिक बनाया गया: हर टाइल पर परिकल्पना-घटा-लोकल का अंतर। असली फ़ोटो (बाएँ) एक धनात्मक स्लोप पर पहुँचती है; जनरेट किया गया पोर्ट्रेट (दाएँ) जनरेशन हॉटस्पॉट से जल उठता है और ऋणात्मक हो जाता है। जहाँ अंतर लाल है, वहीं आपकी नज़र ठिठकती है; परिकल्पना और मानवीय धारणा एक जगह मिलती हैं क्योंकि दोनों भौतिक संभाव्यता को परखते हैं।

यह ढाँचा टिकाऊ क्यों है

जनरेटिव संश्लेषण में निहित चिकनापन लक्ष्य की ओर ऑप्टिमाइज़ेशन का अंतर्निहित गुण है। ज़्यादा डेटा और पैरामीटर जनरेटिव मैनिफ़ोल्ड को ज़्यादा चिकना बनाते हैं, ज़्यादा भौतिक नहीं, इसलिए इस गुण पर टिका डिटेक्टर जनरेटर के पैमाने के साथ उस तरह नहीं घिसता जैसे फ़िंगरप्रिंट-मैचर घिसते हैं। FLUX, Midjourney, SD, इनमें से कोई PRNU का सिमुलेशन नहीं करता। परिकल्पना मॉडलों को नहीं पकड़ती; वह सेंसर की अनुपस्थिति को पकड़ती है।

दो सीमा-शर्तें जो मुझे शुरू से दिख रही थीं, और जिन्हें मैं ईमानदारी से कहना चाहता हूँ:

  • कंप्रेशन आधार को घिस देता है। भारी JPEG और DeepFusion-शैली की ML पोस्ट-प्रोसेसिंग, दोनों PRNU को कमज़ोर करते हैं। slope = 0 के पास की असली इमेज आपको बता रही हैं कि उनका भौतिक इतिहास आंशिक रूप से मिटा दिया गया है। आर्किटेक्चर सापेक्ष राशियों पर टिकता है, यानी अनुपात और डिफ़रेंशियल, जो एकसमान रीस्केलिंग के प्रति गणितीय रूप से अपरिवर्तनीय हैं, ठीक इसलिए कि रीएन्कोडिंग से बचा जा सके।
  • निर्माण से ही बायोमेट्रिक-मुक्त। पाइपलाइन में कहीं कोई चेहरा, शरीर या पहचान का मॉडल नहीं है; महत्वपूर्ण क्षेत्र केवल ग्रेडिएंट ऊर्जा से खोजे जाते हैं। यह निजता का रुख़ है (GDPR/CCPA/BIPA कभी तस्वीर में आते ही नहीं) और कवरेज का गुण भी, क्योंकि प्रोब केवल लोगों पर नहीं, दृश्यों, वस्तुओं और दस्तावेज़ों पर भी काम करता है।

अध्याय 5 में मैं इस दावे के सबसे मज़बूत रूप, आर्किटेक्चर-अज्ञेयता, को परखता हूँ और उसे तोड़ देता हूँ। पर जिस कैमरा-फ़ोटो वितरण पर मैंने इसे बनाया, उसके भीतर भौतिकी टिकती है, और अगला अध्याय वह अनुभवजन्य चढ़ाई है जहाँ मैंने इसे फ़ीचर-दर-फ़ीचर साबित किया।