ਜਨਰੇਟਿਵ ਕ੍ਰਿਤਰਿਮ ਬੁੱਧੀ (AI), ਜਿਸ ਵਿੱਚ Stable Diffusion, Midjourney, ਅਤੇ DALL-E ਵਰਗੇ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ, ਅਕਸਰ ਸੰਮੇਲਤ ਚਿੱਤਰ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਹੁੰਦੇ ਹਨ, ਖਾਸਕਰ ਜਦੋਂ ਇਹ ਅੰਕ ਉੱਚਾਈ ਅਨੁਪਾਤ ਜਿਵੇਂ ਕਿ ਮੂਹ ਦੀ ਸਮਰਪਿਤ ਸਮਾਨਤਾ ਅਤੇ ਉਚਿਤ ਉਂਗਲ ਨੁਮਾਇੰਦਗੀ ਨਾਲ ਸੰਬੰਧਿਤ ਹੁੰਦੀ ਹੈ। ਇਹ ਮਾਡਲ ਆਮ ਤੌਰ 'ਤੇ ਵਰਗ ਅਕਾਰ ਦੇ ਚਿੱਤਰ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਜਿਸ ਕਾਰਨ ਵੱਖਰੇ ਅਨੁਪਾਤਾਂ ਵਿੱਚ ਚਿੱਤਰ ਬਣਾਉਣ ਦੇ ਸਮੇਂ ਸਮੱਸਿਆਵਾਂ ਜਿਵੇਂ ਕਿ ਵਾਧੂ ਉਂਗਲਾਂ ਜਾਂ ਵਿਗੜੇ ਆਕਾਰ ਦਰਪੇਸ਼ ਹੁੰਦੇ ਹਨ। ਇਹ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਰਾਈਸ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਕੰਪਿਊਟਰ ਵਿਗਿਆਨੀਆਂ ਨੇ ElasticDiffusion ਨੂੰ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਪਹਿਲਾਂ ਤੋਂ ਪ੍ਰਸ਼ਿਸ਼ਤ diffusion ਮਾਡਲਾਂ ਦੇ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੀ ਨਵੀਂ ਸੁਵਿਧਾ ਹੈ। ਮੋਆਏਦ ਹਾਜੀ ਅਲੀ, ਜੋ ਕਿ ਰਾਈਸ ਦੇ ਇੱਕ ਡਾਕਟਰੇਟ ਛਾਤਰ ਹਨ, ਨੇ ਸੀਆਟਲ ਵਿੱਚ ਆਯੋਜਿਤ IEEE 2024 ਕਾਂਫਰੰਸ ਵਿੱਚ ਇਸ ਸੁਵਿਧਾ ਨੂੰ ਪੇਸ਼ ਕੀਤਾ। ਹਾਜੀ ਅਲੀ ਨੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਕਿ ਪਰੰਪਰਾਗਤ diffusion ਮਾਡਲ ਸਿਰਫ਼ ਨਿਸ਼ਚਿਤ ਰੇਜ਼ੋਲੂਸ਼ਨ ਤੇ ਚਿੱਤਰ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਕਿ overfitting ਦਾ ਪਾੱਧ ਹੈ, ਜਿੱਥੇ ਇੱਕ AI ਮਾਡਲ ਜਾਣਕਾਰੀ ਡੇਟਾ ਤੇ ਚੰਗਾ ਕੰਮ ਕਰਦਾ ਹੈ ਪਰ ਪਰਿਵਰਤਨਾਂ ਨਾਲ਼ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ। ElasticDiffusion ਉਹ ਸਮਰਪਿਤ ਉਪਾਧੀ ਹੈ ਜੋ ਚਿੱਤਰ ਪੈਦਾ ਕਰਨ ਦੇ ਦਰਮਿਆਨ ਸਥਾਨਕ ਅਤੇ ਗਲੋਬਲ ਜਾਣਕਾਰੀ ਨੂੰ ਵੱਖ ਕਰਦੀ ਹੈ, ਉਸਨੂੰ ਮਿਲਾਉਣ ਦੀ ਬਜਾਏ। ਇਹ ਵੱਖਾਵ ਵਿਖਰੂ ਦਾਤਾਂ ਤੋਂ ਦਿਖਾਈ ਸ਼ੁਧੀ ਤੋਂ ਬਚਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜਦੋਂ ਦੇ ਗ਼ੈਰ-ਵਰਗ ਚਿੱਤਰਾਂ 'ਤੇ ਅਣਕੈਮੀਆਂ ਦਰਪੇਸ਼ ਹੋਾਤੀਆਂ ਹਨ। ਹਾਜੀ ਅਲੀ ਨੇ ਨੋਟ ਕੀਤਾ ਕਿ ਇਸ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਮੁੱਖ ਰੂਪ ਦੇ ਪੰਖਾਂ ਦਾ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਗਲੋਬਲ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਦੇ ਬਾਅਦ ਵਿੱਚ 'ਚਿੱਤਰ ਦੇ ਹਿੱਸੇ ਦੇ ਪੀਕਸਲ ਪੱਧਰ ਦੀਆਂ ਵਿਵਰਣਾਂ ਨੂੰ ਭਰਨ ਲਈ ਹੈ। ਇਹ ਸੁਵਿਧਾ ਵੱਖਰੇ ਅਨੁਪਾਤਾਂ ਵਿੱਚ ਵਾਧੂ ਚਿੱਤਰ ਪੈਦਾ ਕਰਨ ਦੀ ਸਤਤੀ ਦਿੰਦੀ ਹੈ ਬਿਨਾਂ ਕਿਵੇਂ ਹੋਰ ਮਾਡਲ ਪ੍ਰਸ਼ਿਸ਼ਣ ਕੀਤੇ। ElasticDiffusion ਚਿੱਤਰ ਪੈਦਾ ਕਰਨ ਵਿੱਚ ਬੇਹਤਰੀ ਅਤੇ ਅਨੁਕੂਲਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਪਰ ਇਸਦੇ ਨਾਲ ਇੱਕ ਹੱਲ: ਇਸਨੂੰ ਪਰੰਪਰਾਗਤ diffusion ਮਾਡਲਾਂ ਨਾਲ ਤੁਲਨਾਤਮਕ ਰੂਪ ਵਿੱਚ ਤੁਹਾਨੀ ਉਰਦੀਆਂ ਦੀ ਲੰਭਕ 6-9 ਗੁਣਾ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ। ਹਾਜੀ ਅਲੀ ਦਾ ਲੱਸ਼ਕ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੂਰਤ ਲੈਂਦਿਆਂ ਸਮੇਂ ਵਿੱਚ ਧਿਆਨ ਦੇਣ ਵਾਲੇ ਇਕਦਮ ਵਿੱਚ ਬਦਲਨਾ ਹੈ, ਤਕੀ ਕਿ ਉਹ ਵੱਖਰੇ ਅਨੁਪਾਤਾਂ ਵਿੱਚ ਵਾਧੂ ਚਿੱਤਰ ਪੈਦਾ ਕਰਨ ਦੀ ਗੁਣਵੱਤਾ ਬਣਾਈ ਰੱਖਣ ਦੇ ਯੋਗ ਹੁੰਦਾ ਹੈ।