চিত্র-থেকে-চিত্র রূপান্তরের জন্য জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্কের বিশ্লেষণ

সূচিপত্র

1. ভূমিকা

জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (জিএএন) চিত্র সংশ্লেষণ ও নিপুণ পরিবর্তনের ক্ষেত্রে বিপ্লব ঘটিয়েছে। এই নথিটি চিত্র-থেকে-চিত্র রূপান্তর কাজের জন্য বিশেষভাবে নকশাকৃত জিএএন-ভিত্তিক আর্কিটেকচারের একটি বিস্তারিত বিশ্লেষণ প্রদান করে। সমাধান করা মূল চ্যালেঞ্জ হল দুটি স্বতন্ত্র চিত্র ডোমেনের মধ্যে (যেমন, ফটো থেকে পেইন্টিং, দিন থেকে রাত) একটি ম্যাপিং শেখা, যার জন্য জোড়া প্রশিক্ষণ ডেটার প্রয়োজন হয় না, যা ঐতিহ্যবাহী তত্ত্বাবধায়িত পদ্ধতির তুলনায় একটি উল্লেখযোগ্য অগ্রগতি।

এই বিশ্লেষণে মৌলিক ধারণা, CycleGAN এবং Pix2Pix-এর মতো বিশিষ্ট কাঠামো, তাদের অন্তর্নিহিত গাণিতিক নীতি, বেঞ্চমার্ক ডেটাসেটে পরীক্ষামূলক কর্মক্ষমতা এবং তাদের শক্তি ও সীমাবদ্ধতার সমালোচনামূলক মূল্যায়ন অন্তর্ভুক্ত রয়েছে। লক্ষ্য হল গবেষক এবং অনুশীলনকারীদের জন্য একটি ব্যাপক সম্পদ প্রদান করা যারা এই শক্তিশালী জেনারেটিভ মডেলগুলি বুঝতে, প্রয়োগ করতে বা প্রসারিত করতে চান।

2. জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্কের মৌলিক বিষয়

জিএএন, যা ২০১৪ সালে গুডফেলো ও সহকর্মীদের দ্বারা প্রবর্তিত হয়, দুটি নিউরাল নেটওয়ার্ক নিয়ে গঠিত—একটি জেনারেটর (G) এবং একটি ডিসক্রিমিনেটর (D)—যেগুলো একটি প্রতিদ্বন্দ্বিতামূলক খেলায় একই সাথে প্রশিক্ষিত হয়।

2.1. মূল আর্কিটেকচার

জেনারেটর একটি এলোমেলো শব্দ ভেক্টর বা একটি উৎস চিত্র থেকে বাস্তবসম্মত ডেটা নমুনা তৈরি করতে শেখে। ডিসক্রিমিনেটর বাস্তব নমুনা (লক্ষ্য ডোমেন থেকে) এবং জেনারেটর দ্বারা উৎপাদিত নকল নমুনার মধ্যে পার্থক্য করতে শেখে। এই প্রতিযোগিতা উভয় নেটওয়ার্ককে উন্নত হতে চালিত করে যতক্ষণ না জেনারেটর অত্যন্ত বিশ্বাসযোগ্য আউটপুট তৈরি করে।

2.2. প্রশিক্ষণ গতিবিদ্যা

প্রশিক্ষণকে একটি মিনিম্যাক্স অপ্টিমাইজেশন সমস্যা হিসেবে সূত্রায়িত করা হয়। ডিসক্রিমিনেটর নকল চিহ্নিত করার তার ক্ষমতা সর্বাধিক করার লক্ষ্য রাখে, অন্যদিকে জেনারেটর ডিসক্রিমিনেটরের সাফল্যের হার ন্যূনতম করার লক্ষ্য রাখে। এটি প্রায়শই অস্থির প্রশিক্ষণের দিকে নিয়ে যায়, যার জন্য গ্রেডিয়েন্ট পেনাল্টি, স্পেকট্রাল নরমালাইজেশন এবং এক্সপেরিয়েন্স রিপ্লের মতো সতর্ক কৌশলের প্রয়োজন হয়।

3. চিত্র-থেকে-চিত্র রূপান্তর কাঠামো

এই বিভাগে মূল জিএএন ধারণাটিকে এক ডোমেন থেকে অন্য ডোমেনে চিত্র রূপান্তরের জন্য অভিযোজিত করে এমন মূল আর্কিটেকচারের বিস্তারিত বিবরণ দেওয়া হয়েছে।

3.1. Pix2Pix

Pix2Pix (ইসোলা ও সহকর্মী, ২০১৭) হল জোড়া চিত্র রূপান্তরের জন্য একটি কন্ডিশনাল জিএএন (cGAN) কাঠামো। এটি জেনারেটরের জন্য একটি U-Net আর্কিটেকচার এবং একটি PatchGAN ডিসক্রিমিনেটর ব্যবহার করে যা স্থানীয় চিত্র প্যাচ শ্রেণীবদ্ধ করে, উচ্চ-ফ্রিকোয়েন্সি বিশদকে উৎসাহিত করে। এর জন্য জোড়া প্রশিক্ষণ ডেটার প্রয়োজন হয় (যেমন, একটি মানচিত্র এবং তার সংশ্লিষ্ট স্যাটেলাইট ফটো)।

3.2. CycleGAN

CycleGAN (ঝু ও সহকর্মী, ২০১৭) অজোড়া চিত্র-থেকে-চিত্র রূপান্তর সক্ষম করে। এর মূল উদ্ভাবন হল সাইকেল কনসিসটেন্সি লস। এটি দুটি জেনারেটর-ডিসক্রিমিনেটর জোড়া ব্যবহার করে: একটি X ডোমেন থেকে Y ডোমেনে রূপান্তরের জন্য (G, D_Y) এবং অন্যটি Y থেকে X-এ ফিরে রূপান্তরের জন্য (F, D_X)। সাইকেল কনসিসটেন্সি লস নিশ্চিত করে যে একটি চিত্র রূপান্তর করে এবং তারপর আবার ফিরে আসলে মূল চিত্রটি পাওয়া যায়: $F(G(x)) ≈ x$ এবং $G(F(y)) ≈ y$। এই সীমাবদ্ধতা জোড়া ডেটা ছাড়াই অর্থপূর্ণ রূপান্তর নিশ্চিত করে।

3.3. DiscoGAN

DiscoGAN (কিম ও সহকর্মী, ২০১৭) হল CycleGAN-এর মতো সমসাময়িক একটি কাঠামো, যা একটি দ্বি-দিকনির্দেশক পুনর্গঠন লস ব্যবহার করে অজোড়া রূপান্তরের জন্যও নকশাকৃত। এটি ভাগ করা লেটেন্ট উপস্থাপনা আবিষ্কার করে ক্রস-ডোমেন সম্পর্ক শেখার উপর জোর দেয়।

4. প্রযুক্তিগত বিবরণ ও গাণিতিক সূত্রায়ন

$G: X → Y$ ম্যাপিং এবং এর ডিসক্রিমিনেটর $D_Y$-এর জন্য অ্যাডভারসারিয়াল লস হল:

$\mathcal{L}_{GAN}(G, D_Y, X, Y) = \mathbb{E}_{y\sim p_{data}(y)}[\log D_Y(y)] + \mathbb{E}_{x\sim p_{data}(x)}[\log(1 - D_Y(G(x)))]$

CycleGAN-এর সম্পূর্ণ উদ্দেশ্য উভয় ম্যাপিং-এর জন্য অ্যাডভারসারিয়াল লস ($G: X→Y$, $F: Y→X$) এবং সাইকেল কনসিসটেন্সি লস একত্রিত করে:

$\mathcal{L}(G, F, D_X, D_Y) = \mathcal{L}_{GAN}(G, D_Y, X, Y) + \mathcal{L}_{GAN}(F, D_X, Y, X) + \lambda \mathcal{L}_{cyc}(G, F)$

যেখানে $\mathcal{L}_{cyc}(G, F) = \mathbb{E}_{x\sim p_{data}(x)}[||F(G(x)) - x||_1] + \mathbb{E}_{y\sim p_{data}(y)}[||G(F(y)) - y||_1]$ এবং $\lambda$ সাইকেল কনসিসটেন্সির গুরুত্ব নিয়ন্ত্রণ করে।

5. পরীক্ষামূলক ফলাফল ও মূল্যায়ন

কাঠামোগুলি যাচাই করার জন্য বেশ কয়েকটি ডেটাসেটে পরীক্ষা চালানো হয়েছিল।

5.1. ডেটাসেট

• মানচিত্র ↔ বায়বীয় ফটো: Pix2Pix মূল্যায়নের জন্য ব্যবহৃত জোড়া ডেটাসেট।
• ঘোড়া ↔ জেব্রা: CycleGAN এবং DiscoGAN-এর জন্য ব্যবহৃত অজোড়া ডেটাসেট।
• গ্রীষ্ম ↔ শীত (ইয়োসেমাইট): ঋতু রূপান্তরের জন্য অজোড়া ডেটাসেট।
• মোনে পেইন্টিং ↔ ফটো: শৈলী স্থানান্তর মূল্যায়ন।

5.2. পরিমাণগত মেট্রিক্স

কর্মক্ষমতা নিম্নলিখিত ব্যবহার করে পরিমাপ করা হয়েছিল:

• AMT উপলব্ধিমূলক গবেষণা: মানব মূল্যায়নকারীদের বাস্তব এবং উৎপাদিত চিত্রের মধ্যে পার্থক্য করতে বলা হয়েছিল। কম ফুলিং রেট ভালো মান নির্দেশ করে।
• FCN স্কোর: উৎপাদিত চিত্রগুলি শব্দার্থিক বিষয়বস্তু কতটা ভালোভাবে সংরক্ষণ করে তা মূল্যায়ন করতে একটি পূর্ব-প্রশিক্ষিত শব্দার্থিক সেগমেন্টেশন নেটওয়ার্ক (ফুলি কনভোলিউশনাল নেটওয়ার্ক) ব্যবহার করে। উচ্চতর স্কোর ভালো।
• SSIM / PSNR: জোড়া রূপান্তর কাজের জন্য, এটি উৎপাদিত চিত্র এবং গ্রাউন্ড ট্রুথের মধ্যে পিক্সেল-স্তরের সাদৃশ্য পরিমাপ করে।

5.3. মূল ফলাফল

CycleGAN সফলভাবে ঘোড়াকে জেব্রায় এবং জেব্রাকে ঘোড়ায় রূপান্তর করেছে, ভঙ্গি এবং পটভূমি সংরক্ষণ করার সময় টেক্সচার পরিবর্তন করেছে। মানচিত্র↔বায়বীয় কাজে, Pix2Pix (জোড়া ডেটা সহ) পিক্সেল-স্তরের নির্ভুলতায় CycleGAN-কে ছাড়িয়ে গেছে, কিন্তু CycleGAN অজোড়া ডেটা ব্যবহার করেও বিশ্বাসযোগ্য ফলাফল তৈরি করেছে। সাইকেল কনসিসটেন্সি লস অত্যন্ত গুরুত্বপূর্ণ ছিল; এটি ছাড়া প্রশিক্ষিত মডেলগুলি ইনপুটের বিষয়বস্তুর কাঠামো সংরক্ষণ করতে ব্যর্থ হয়েছে, প্রায়শই এটি ইচ্ছামতো পরিবর্তন করেছে।

6. বিশ্লেষণ কাঠামো ও কেস স্টাডি

কেস স্টাডি: CycleGAN দিয়ে শৈল্পিক শৈলী স্থানান্তর

উদ্দেশ্য: আধুনিক ল্যান্ডস্কেপ ফটোগ্রাফকে ইমপ্রেশনিস্ট চিত্রশিল্পীদের (যেমন, মোনে) শৈলীতে রূপান্তর করা, জোড়া {ফটো, পেইন্টিং} উদাহরণ ছাড়াই।

কাঠামো প্রয়োগ:

1. ডেটা সংগ্রহ: দুটি অজোড়া সেট সংগ্রহ করুন: সেট A (জাদুঘর সংগ্রহ থেকে স্ক্র্যাপ করা মোনে পেইন্টিং), সেট B (ফ্লিকার ল্যান্ডস্কেপ ফটো)।
2. মডেল সেটআপ: ResNet-ভিত্তিক জেনারেটর এবং 70x70 PatchGAN ডিসক্রিমিনেটর সহ CycleGAN ইনস্ট্যান্টিয়েট করুন।
3. প্রশিক্ষণ: সম্মিলিত লস (অ্যাডভারসারিয়াল + সাইকেল কনসিসটেন্সি) দিয়ে মডেলটি প্রশিক্ষণ দিন। বিষয়বস্তু সংরক্ষণ নিশ্চিত করতে সাইকেল পুনর্গঠন লস পর্যবেক্ষণ করুন।
4. মূল্যায়ন: উৎপাদিত "মোনে-স্টাইল" চিত্রে গাছ, আকাশ এবং পাহাড় শব্দার্থিকভাবে ইনপুট ফটোর সাথে সামঞ্জস্যপূর্ণ কিনা তা পরীক্ষা করতে FCN স্কোর ব্যবহার করুন। শৈলীগত সত্যতা মূল্যায়নের জন্য একটি ব্যবহারকারী গবেষণা পরিচালনা করুন।

ফলাফল: মডেলটি মূল দৃশ্যের কম্পোজিশন ধরে রেখে মোনের বৈশিষ্ট্যপূর্ণ ব্রাশস্ট্রোক টেক্সচার, রঙের প্যালেট এবং আলোকসজ্জা প্রয়োগ করতে শেখে। এটি ডোমেন জুড়ে "বিষয়বস্তু" থেকে "শৈলী" আলাদা করার কাঠামোর ক্ষমতা প্রদর্শন করে।

7. প্রয়োগ ও ভবিষ্যৎ দিকনির্দেশনা

7.1. বর্তমান প্রয়োগ

• ফটো উন্নতকরণ: স্কেচ থেকে পণ্য নকশায় রূপান্তর, দিন থেকে রাতে রূপান্তর, আবহাওয়া প্রভাব যোগ করা।
• চিকিৎসা ইমেজিং: এমআরআই থেকে সিটি স্ক্যানে রূপান্তর, একাধিক স্ক্যানের প্রয়োজনীয়তা হ্রাস করা।
• বিষয়বস্তু সৃষ্টি: গেম অ্যাসেট জেনারেশন, শৈল্পিক ফিল্টার, ফ্যাশনের জন্য ভার্চুয়াল ট্রাই-অন।
• ডেটা অগমেন্টেশন: অন্যান্য ভিশন মডেলের জন্য বাস্তবসম্মত প্রশিক্ষণ ডেটা তৈরি করা।

7.2. ভবিষ্যৎ গবেষণার দিকনির্দেশনা

• মাল্টি-মোডাল রূপান্তর: একটি একক ইনপুট থেকে বৈচিত্র্যময় আউটপুট তৈরি করা (যেমন, একটি স্কেচ থেকে একাধিক সম্ভাব্য রঙিন চিত্র)।
• উচ্চ-রেজোলিউশন ও ভিডিও রূপান্তর: কাঠামোগুলোকে 4K+ রেজোলিউশন এবং সামঞ্জস্যপূর্ণ ভিডিও রূপান্তরে স্কেল করা এখনও গণনাগতভাবে চ্যালেঞ্জিং।
• উন্নত প্রশিক্ষণ স্থিতিশীলতা: মোড কোলাপস মোকাবেলার জন্য আরও শক্তিশালী লস ফাংশন এবং নিয়মিতকরণ কৌশল বিকাশ করা।
• শব্দার্থিক নিয়ন্ত্রণ: রূপান্তর প্রক্রিয়ার উপর সূক্ষ্ম-দানাদার নিয়ন্ত্রণের জন্য ব্যবহারকারী-প্রদত্ত শব্দার্থিক মানচিত্র বা বৈশিষ্ট্য একীভূত করা।
• ক্রস-মোডাল রূপান্তর: চিত্রের বাইরে নীতিটি প্রসারিত করা, যেমন, টেক্সট-টু-ইমেজ, অডিও-টু-ইমেজ সংশ্লেষণ।

8. তথ্যসূত্র

1. Goodfellow, I., et al. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS).
2. Isola, P., et al. (2017). Image-to-Image Translation with Conditional Adversarial Networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
3. Zhu, J.-Y., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. IEEE International Conference on Computer Vision (ICCV).
4. Kim, T., et al. (2017). Learning to Discover Cross-Domain Relations with Generative Adversarial Networks. International Conference on Machine Learning (ICML).
5. Ronneberger, O., et al. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI).

9. বিশেষজ্ঞ বিশ্লেষণ: মূল অন্তর্দৃষ্টি, যৌক্তিক প্রবাহ, শক্তি ও দুর্বলতা, কার্যকরী অন্তর্দৃষ্টি

মূল অন্তর্দৃষ্টি: CycleGAN এবং তার সমসাময়িকদের যুগান্তকারী লাফ শুধু অজোড়া রূপান্তর নয়—এটি হল সাইকেল-কনসিসটেন্সিকে একটি কাঠামোগত পূর্বানুমান হিসেবে ব্যবহার করে অসতর্ক ডোমেন অ্যালাইনমেন্টের আনুষ্ঠানিকীকরণ। যদিও Pix2Pix প্রমাণ করেছিল যে জিএএন দুর্দান্ত তত্ত্বাবধায়িত অনুবাদক হতে পারে, ক্ষেত্রটি জোড়া ডেটার স্বল্পতার কারণে বাধাগ্রস্ত ছিল। CycleGAN-এর প্রতিভা ছিল এই স্বীকারোক্তিতে যে অনেক বাস্তব-বিশ্বের সমস্যার জন্য, ডোমেনগুলির মধ্যে সম্পর্ক আনুমানিকভাবে দ্বিমুখী (একটি ঘোড়ার একটি জেব্রা সমকক্ষ আছে, একটি ফটোর একটি পেইন্টিং শৈলী আছে)। সাইকেল লস $F(G(x)) ≈ x$ এর মাধ্যমে এটি প্রয়োগ করে, মডেলটিকে অর্থপূর্ণ, বিষয়বস্তু-সংরক্ষণকারী ম্যাপিং শিখতে বাধ্য করা হয়, কোলাপস বা অর্থহীন কিছু তৈরি করার পরিবর্তে। এটি সমস্যাটিকে "জোড়া উদাহরণ থেকে শেখা" থেকে "অন্তর্নিহিত ভাগ করা কাঠামো আবিষ্কার করা"-তে পুনর্নির্মাণ করেছে, যা বার্কলে এআই রিসার্চ (বিএআইআর)-এর অসতর্ক উপস্থাপনা শেখার গবেষণা দ্বারা সমর্থিত একটি আরও বেশি স্কেলযোগ্য দৃষ্টান্ত।

যৌক্তিক প্রবাহ: নথিটির যুক্তি প্রথম নীতি থেকে অত্যন্ত নিখুঁতভাবে গড়ে উঠেছে। এটি মৌলিক জিএএন মিনিম্যাক্স খেলা দিয়ে শুরু হয়, সাথে সাথে এর অস্থিরতা—মূল চ্যালেঞ্জ—হাইলাইট করে। তারপর এটি একটি ভিন্ন সমস্যার (জোড়া ডেটা) সমাধান হিসেবে কন্ডিশনাল জিএএন (Pix2Pix) প্রবর্তন করে, প্রকৃত উদ্ভাবনের জন্য মঞ্চ তৈরি করে। CycleGAN/DiscoGAN-এর প্রবর্তন জোড়া-ডেটা নির্ভরতা ভাঙার জন্য একটি প্রয়োজনীয় বিবর্তন হিসেবে উপস্থাপিত হয়, সাইকেল-কনসিসটেন্সি লসকে সক্ষমকারী সীমাবদ্ধতা হিসেবে মার্জিতভাবে স্থাপন করা হয়। প্রবাহটি তারপর সঠিকভাবে তত্ত্ব (গাণিতিক সূত্রায়ন) থেকে অনুশীলনে (পরীক্ষা, মেট্রিক্স, কেস স্টাডি) চলে যায়, ধারণাগত দাবিগুলি অভিজ্ঞতামূলক প্রমাণের সাথে যাচাই করে। এটি ICCV এবং NeurIPS-এর মতো শীর্ষ-স্তরের সম্মেলন প্রকাশনার কঠোর পদ্ধতির প্রতিফলন ঘটায়।

শক্তি ও দুর্বলতা: সর্বাধিক শক্তি হল ধারণাগত মার্জিততা এবং ব্যবহারিক উপযোগিতা। সাইকেল-কনসিসটেন্সি ধারণাটি সহজ, স্বজ্ঞাত এবং অত্যন্ত কার্যকর, যা চিকিৎসা ইমেজিং থেকে শিল্প পর্যন্ত প্রয়োগের দ্বার উন্মুক্ত করেছে। কাঠামোগুলি উচ্চ-মানের চিত্র রূপান্তরকে গণতান্ত্রিক করেছে। যাইহোক, দুর্বলতাগুলি উল্লেখযোগ্য এবং পরবর্তী সাহিত্যে ভালোভাবে নথিভুক্ত। প্রথমত, দ্বিমুখী অনুমান প্রায়শই লঙ্ঘিত হয়। "সানগ্লাস অন" থেকে "সানগ্লাস অফ"-এ রূপান্তর করা অসংগত—অনেক "অফ" অবস্থা একটি "অন" অবস্থার সাথে মিলে যায়। এটি তথ্য হার এবং গড়করণ আর্টিফ্যাক্টের দিকে নিয়ে যায়। দ্বিতীয়ত, প্রশিক্ষণ এখনও কুখ্যাতভাবে অস্থির থাকে। আইডেন্টিটি লসের মতো কৌশল সত্ত্বেও, নতুন ডেটাসেটে কনভারজেন্স অর্জন করা প্রায়শই বিজ্ঞানের চেয়ে বেশি আলকেমি। তৃতীয়ত, নিয়ন্ত্রণ সীমিত। আপনি যা মডেল দেয় তা পান; নির্দিষ্ট বৈশিষ্ট্যের উপর সূক্ষ্ম-দানাদার নিয়ন্ত্রণ (যেমন, "শুধু গাড়িটি লাল করুন, আকাশ নয়") স্বাভাবিকভাবে সমর্থিত নয়। আরও সাম্প্রতিক ডিফিউশন মডেলের তুলনায়, রূপান্তরের জন্য জিএএন গ্লোবাল কোহেরেন্স এবং উচ্চ-রেজোলিউশন বিশদ নিয়ে সংগ্রাম করতে পারে।

কার্যকরী অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য, বার্তাটি স্পষ্ট: প্রুফ-অফ-কনসেপ্টের জন্য CycleGAN দিয়ে শুরু করুন কিন্তু এর বাইরে যাওয়ার জন্য প্রস্তুত থাকুন। যেকোনো নতুন প্রকল্পের জন্য, প্রথমে কঠোরভাবে মূল্যায়ন করুন যে আপনার ডোমেনগুলি সত্যিই সাইকেল-কনসিসটেন্ট কিনা। যদি না হয়, MUNIT বা DRIT++-এর মতো নতুন আর্কিটেকচারের দিকে তাকান যা স্পষ্টভাবে মাল্টি-মোডাল ম্যাপিং মডেল করে। ডেটা কিউরেশনে ব্যাপকভাবে বিনিয়োগ করুন—অজোড়া সেটের মান সর্বোচ্চ গুরুত্বপূর্ণ। উচ্চ-রেজ রূপান্তর করার চেষ্টা করলে আধুনিক স্থিতিশীলকরণ কৌশল (যেমন, StyleGAN2/3 থেকে) যেমন পাথ লেংথ রেগুলারাইজেশন এবং লেজি রেগুলারাইজেশন ব্যবহার করুন। শিল্প প্রয়োগের জন্য যা রোবাস্টনেস প্রয়োজন, হাইব্রিড পদ্ধতি বিবেচনা করুন যা মোটামুটি রূপান্তরের জন্য একটি CycleGAN-এর মতো মডেল ব্যবহার করে এবং তারপর একটি ছোট সেট কিউরেটেড জোড়ার উপর একটি তত্ত্বাবধায়িত পরিশোধন নেটওয়ার্ক ব্যবহার করে। ভবিষ্যৎ সাইকেল-কনসিসটেন্সি অন্তর্দৃষ্টি পরিত্যাগে নয়, বরং এটিকে আরও অভিব্যক্তিপূর্ণ, স্থিতিশীল এবং নিয়ন্ত্রণযোগ্য জেনারেটিভ মডেলের সাথে একীভূত করার মধ্যে রয়েছে, যা MIT CSAIL এবং Google Research-এর মতো প্রতিষ্ঠানের সর্বশেষ গবেষণায় ইতিমধ্যেই দৃশ্যমান একটি প্রবণতা।