← CLR की यात्रा

शुरुआत: तीन आर्किटेक्चर और एक होमोग्राफ़ी

v1 से v1.2 तक (वसंत 2026), मेरी मूल रिसर्च नोटबुक से चुना गया।

मैंने डिटेक्टर से शुरुआत नहीं की थी। मैंने क्लासिकल कम्प्यूटेशनल फ़ोटोग्राफ़ी से शुरुआत की: SIFT कीपॉइंट, FLANN मैचिंग, RANSAC होमोग्राफ़ी, यानी वही टूलचेन जो प्रोडक्शन कैमरा पाइपलाइन में इस्तेमाल होती है, और उसे एक नए सवाल पर लगाया: एक बेस इमेज और कुछ उम्मीदवार क्रॉप या व्युत्पन्न दिए हों, तो क्या प्रोजेक्टिव ज्यामिति बता सकती है कि कौन-से क्षेत्रों का मूल एक है?

v1 की होमोग्राफ़ी नोटबुक, SIFT + FLANN इनलायर गिनती से टेस्ट क्षेत्रों को बेस इमेज के विरुद्ध स्थानीयकृत करती हुई। यहाँ मैं होमोग्राफ़ी को स्थानीयकरण के औज़ार की तरह इस्तेमाल कर रहा था। जिस एहसास ने पूरे प्रोजेक्ट को नया रूप दिया: भेद करने वाला ऑपरेटर मैचिंग नहीं, खुद होमोग्राफ़ी है। किसी इमेज क्षेत्र को वार्प कीजिए और वापस वार्प कीजिए, और जो बचता है वह बताता है कि वह कैसे बना था।

एक साथ तीन आर्किटेक्चर

v1 में मैंने एक साथ तीन डिटेक्टर आर्किटेक्चर खंगाले, सब स्थानीय रूप से सिंथेसाइज़ किए डेटा पर प्रशिक्षित (असली = कैमरा फ़ोटो; जनरेटेड = FLUX.1-schnell के आउटपुट):

  1. SAST, यानी Seam-Aware Spectral Transformer। DiT/MMDiT दौर के जनरेटरों से प्रेरित: अटेंशन-आधारित डीनॉइज़िंग लेटेंट पैच टोकन पर काम करती है, और स्वतंत्र रूप से ध्यान दिए गए टोकन के बीच की सीमाओं को स्थानीय रूप से वह मिलाना पड़ता है जो वैश्विक रूप से गणना किया गया था। ट्रांसफ़ॉर्मर यह मॉडल करता था कि पड़ोसी टाइलें अपनी साझा सीमा पर “एक ही स्पेक्ट्रल बोली” बोलती हैं या नहीं। यह ढाँचा, कि पहले आर्किटेक्चर के लिहाज़ से कठिन मामला (DiT, फ़्लो मैचिंग) हल करो और UNet उसका सीमित विशेष मामला बनकर अपने-आप निकल आएगा, पेटेंट नोट्स में बचा रहा, भले ही आर्किटेक्चर खुद शिप नहीं हुआ।
  2. एक pix2pix GAN जो हर इमेज के लिए एक घना आर्टिफ़ैक्ट हीटमैप बनाता था।
  3. प्रति टाइल मुट्ठी भर विश्लेषणात्मक प्रोब मेट्रिक्स पर XGBoost: वार्प रेज़िड्यूअल, स्पेक्ट्रल आवर्तिता, ग्रेडिएंट सर्कुलर वैरिएंस, और उनके साथी।

v1 के GAN-जैसे डिटेक्टर के प्रति-इमेज हीटमैप। टेस्ट सेट पर यह काम करता था, पर एक सीखे हुए घने मॉडल के रूप में यह उससे कठिन समस्या हल कर रहा था जितनी डेटा सँभाल सकता था।

पेड़ों ने बाज़ी मारी, और कारण नतीजे से ज़्यादा मायने रखता था: सिग्नल प्रति-टाइल भौतिक स्केलर के वितरण में रहता है, उनकी स्थानिक व्यवस्था में नहीं। मैं एक ट्रांसफ़ॉर्मर से ~70 इमेज से स्थितीय संदर्भ सीखने को कह रहा था; XGBoost से मैं यह सीखने को कह रहा था कि जनरेट की गई टाइलें एक निम्न-आयामी प्रोब स्पेस के एक अलग क्षेत्र में रहती हैं जहाँ दोनों वर्ग सचमुच अलग होते हैं। सरल समस्या का हल ज़्यादा सीधा होता है।

v1 प्रोब मॉडल का SHAP विघटन: क्रॉस-रीजन रेज़िड्यूअल सहसंबंध पहले से ही हावी है, यानी क्रॉस-रीजन भौतिकी सिग्नल, इससे दो वर्शन पहले कि परिकल्पना ने औपचारिक रूप से बताया कि ऐसा क्यों है।

टाइल ग्रिड

v1 का दूसरा फ़ैसला जो टिका रहा वह दो-स्तरीय टाइलिंग था: एग्रीगेशन के लिए बाहरी पैच, माप के लिए भीतरी टाइलें, पूरे इमेज ग्रिड पर चलाई गईं।

वह नतीजा जिसने बताया कि प्रोब असल में क्या मापता है

v1 का मेरा सबसे अहम नतीजा असली-बनाम-AI था ही नहीं। जब मैंने प्रोब को CGI रेंडर पर चलाया, तो स्कोर दोनों वर्गों के बीच में आए:

text
Real photo   → low band      physical sensor: PRNU, shot noise, incoherent gradients
CGI render   → middle band   mathematical render: no sensor, but no attention coherence either
AI generated → high band     learned denoising: an unnaturally organized gradient field

पाथ-ट्रेस्ड रेंडर में कोई सेंसर नहीं होता, कोई PRNU नहीं, कोई शॉट नॉइज़ नहीं, पर उसका Monte Carlo सैंपलिंग नॉइज़ स्थानिक रूप से असंगत होता है, हर पिक्सल में स्वतंत्र, संरचना में डिफ़्यूज़न आर्टिफ़ैक्ट की तुलना में सेंसर नॉइज़ के ज़्यादा क़रीब। प्रोब “नकली” को नहीं पकड़ रहा था। वह कैमरा फ़ॉर्मेशन मॉडल से संगति माप रहा था, और इमेज को उनके स्रोत के हिसाब से भौतिक-संभाव्यता के स्पेक्ट्रम पर रख रहा था: खींची गई, रेंडर की गई, या डीनॉइज़ करके अस्तित्व में लाई गई। तीन स्रोत, अधिकारों के तीन ढाँचे, यानी वही प्रोवेनेंस दृष्टिकोण जो आगे चलकर प्रोडक्ट को परिभाषित करने वाला था।

v1.1–v1.2: क्रॉप की समस्या

v1.1 में मैंने SIFT ज्यामितीय-संगति फ़ीचर जोड़े ताकि छोटे क्रॉप भी फ़िंगरप्रिंट बनाए रखें; v1.2 में मैंने ईमानदारी से मापने के लिए सिर्फ़-प्रोब वाले कंट्रोल पर लौटकर रीसेट किया। मेरे क्रॉप-बायपास प्रयोगों ने मेरी ही एक चूक उजागर की जो एक दर्शन बन गई: क्रॉस-रीजन एक्सट्रैक्शन में टाइल जोड़ियों के बीच की न्यूनतम दूरी हार्ड-कोड थी, इसलिए छोटे क्रॉप पर कोई वैध जोड़ी नहीं बनी और फ़ीचर चुपचाप एक तटस्थ मान लौटाता रहा। इसे ठीक करने से साबित हुआ कि भेद करने वाला सिग्नल दूर के क्षेत्रों के बीच का संबंध था, और इसने सीधे परिकल्पना की ओर इशारा किया।