इनपेंटिंग एक संरक्षण प्रक्रिया है जिसमें किसी कलाकृति के क्षतिग्रस्त, जीर्ण, या लुप्त हिस्सों को भरकर एक पूर्ण छवि प्रस्तुत की जाती है। यह प्रक्रिया सामान्यतः छवि पुनर्स्थापन में उपयोग की जाती है। इसे भौतिक और डिजिटल दोनों प्रकार की कला माध्यमों पर लागू किया जा सकता है, जैसे तेल या ऐक्रेलिक पेंटिंग, रासायनिक फोटोग्राफिक प्रिंट, मूर्तियां, या डिजिटल छवियां और वीडियो। भौतिक कलाकृतियों, जैसे चित्रकला और मूर्तिकला, में अपनी जड़ों के साथ, पारंपरिक इनपेंटिंग एक प्रशिक्षित कला संरक्षक द्वारा की जाती है, जिसने कलाकृति का सावधानीपूर्वक अध्ययन किया होता है ताकि टुकड़े में उपयोग किए गए माध्यमों और तकनीकों, उपचार के संभावित जोखिमों, और उपचार की नैतिक उपयुक्तता का निर्धारण किया जा सके।
Generative AI के संदर्भ में, इनपेंटिंग एक व्यापक रूप से उपयोग की जाने वाली तकनीक बन गई है, जहां Machine learning मॉडल, विशेष रूप से Deep learning Neural network, आसपास के संदर्भ के आधार पर किसी छवि के लुप्त या क्षतिग्रस्त क्षेत्रों को भरते हैं। यह आधुनिक दृष्टिकोण ऐतिहासिक अभ्यास को स्वचालित उपकरणों में विस्तारित करता है जो वस्तुओं को हटा सकते हैं, पुरानी तस्वीरों को पुनर्स्थापित कर सकते हैं, या पाठ्य संकेतों के आधार पर दृश्य सामग्री को संपादित कर सकते हैं।
इतिहास
इनपेंटिंग का आधुनिक उपयोग पिएत्रो एडवर्ड्स (1744-1821) से जोड़ा जा सकता है, जो वेनिस, इटली में सार्वजनिक चित्रों के पुनर्स्थापन के निदेशक थे। एक वैज्ञानिक दृष्टिकोण का उपयोग करते हुए, एडवर्ड्स ने अपने पुनर्स्थापन प्रयासों को कलाकार के इरादों पर केंद्रित किया। यह 1930 के अंतर्राष्ट्रीय सम्मेलन के दौरान था, जो कला के कार्यों की जांच और संरक्षण के लिए वैज्ञानिक तरीकों के अध्ययन के लिए आयोजित किया गया था, कि इनपेंटिंग के लिए आधुनिक दृष्टिकोण स्थापित किया गया। हेल्मुट रूहेमैन (1891-1973), एक जर्मन पुनर्स्थापक और संरक्षक, ने संरक्षण में इनपेंटिंग के उपयोग पर चर्चाओं का नेतृत्व किया। रूहेमैन पुनर्स्थापन और संरक्षण को आधुनिक बनाने में एक अग्रणी व्यक्ति थे, और उनका सबसे बड़ा योगदान मूल चित्रकार के तरीकों का ठीक से पालन करने और चित्रकार के कलात्मक इरादे को समझने पर उनका जोर था। 40 से अधिक वर्षों के करियर के बाद, उन्होंने 1968 में द क्लीनिंग ऑफ पेंटिंग्स: प्रॉब्लम्स एंड पोटेंशियलिटीज़ प्रकाशित किया, जिसमें उन तरीकों का वर्णन किया गया जहां भराव की सतह आसपास के पेंट से थोड़ी नीची होनी चाहिए और इनपेंटिंग माध्यम उम्र के साथ काला नहीं पड़ना चाहिए। सेसारे ब्रांडी (1906-1988) ने तेओरिया डेल रेस्टॉरो विकसित किया, एक दृष्टिकोण जो सौंदर्यशास्त्र और मनोविज्ञान को जोड़ता है, मुख्य रूप से इतालवी पुनर्स्थापकों द्वारा उपयोग किया जाता है, जिसकी शब्दावली 1990 के दशक में व्यापक हो गई।
तकनीकी प्रगति ने नए अनुप्रयोगों को जन्म दिया। 1990 के दशक के मध्य से, डिजिटल इनपेंटिंग में परिष्कृत एल्गोरिदम पर निर्भर कंप्यूटर सॉफ्टवेयर शामिल हो गया है जो छवि डेटा के लुप्त या क्षतिग्रस्त हिस्सों को बदल देता है। इसे अधिक सामान्यतः छवि या वीडियो इंटरपोलेशन के रूप में जाना जाता है, जो अनुमान का एक रूप है।
नैतिकता
किसी मूल कलाकृति की अखंडता को संरक्षित करने के लिए, भौतिक या डिजिटल कार्य पर लागू कोई भी इनपेंटिंग तकनीक या उपचार प्रतिवर्ती होना चाहिए या मूल सामग्री से अलग पहचाना जाने योग्य होना चाहिए। उपचार से पहले, संरक्षक अमेरिकन इंस्टीट्यूट ऑफ कंजर्वेशन ऑफ हिस्टोरिकल एंड आर्टिस्टिक वर्क्स के अनुसार आगे बढ़ते हैं। नैतिक विचार मुख्य रूप से प्रामाणिकता, प्रतिवर्तीता और दस्तावेज़ीकरण पर टिके होते हैं। हानि की भरपाई के लिए कोई भी हस्तक्षेप उपचार रिकॉर्ड और रिपोर्ट में दर्ज किया जाना चाहिए और सामान्य परीक्षण विधियों द्वारा पता लगाने योग्य होना चाहिए। ऐसी भरपाई प्रतिवर्ती होनी चाहिए और सांस्कृतिक संपत्ति की ज्ञात सौंदर्य, अवधारणात्मक और भौतिक विशेषताओं को गलत तरीके से संशोधित नहीं करनी चाहिए, विशेष रूप से मूल सामग्री को हटाकर या छिपाकर। नई प्रौद्योगिकियां और बिना दोषों के पूर्ण छवियों की सौंदर्य संबंधी मांग संरक्षकों की नैतिक प्रथाओं को चुनौती देती हैं ताकि मूल की अखंडता की रक्षा की जा सके।
भौतिक इनपेंटिंग
इनपेंटिंग चित्रों के संरक्षण और पुनर्स्थापन में निहित है। इसका उद्देश्य मूल कलाकार के काम के समकक्ष तरीकों और सामग्रियों का उपयोग करके लुप्त या क्षतिग्रस्त हिस्सों की मरम्मत करके कलाकृति में समग्र रूप से दृश्य सुधार करना हो सकता है। विभिन्न कलाकारों की चित्रकला विधियों और ऐतिहासिक रूप से उपयोग किए गए पेंट की संरचना का अध्ययन करके, संरक्षक कार्यों को उनके मूल दृश्य स्वरूप के बहुत करीब पुनर्स्थापित कर सकते हैं। समग्र रूप से चित्र यह निर्धारित करता है कि अंतराल को कैसे भरा जाए। रूहेमैन की तकनीकों में तेल और टेम्पेरा चित्रों की गुणवत्ता को संरक्षित करने की प्रक्रियाएं शामिल हैं।
डिजिटल इनपेंटिंग
कई प्रोग्राम डिजिटल तस्वीरों और वीडियो के क्षतिग्रस्त या लुप्त क्षेत्रों का पुनर्निर्माण कर सकते हैं। डिजिटल छवियों के साथ उपयोग के लिए सबसे व्यापक रूप से जाना जाने वाला एडोब फोटोशॉप है। डिजिटल कैमरे की विभिन्न क्षमताओं और पुरानी तस्वीरों के डिजिटलीकरण को देखते हुए, इनपेंटिंग एक स्वचालित प्रक्रिया बन गई है। तकनीकों को वस्तु हटाने, पाठ हटाने, और छवियों और वीडियो के अन्य स्वचालित संशोधनों पर लागू किया जा सकता है। वीडियो विशेष प्रभावों में, इनपेंटिंग आमतौर पर वीडियो मैटिंग के बाद की जाती है। इसका उपयोग छवि संपीड़न और सुपर-रिज़ॉल्यूशन जैसे अनुप्रयोगों में भी किया जाता है। फोटोग्राफी और सिनेमा में, इसका उपयोग फिल्म पुनर्स्थापन के लिए किया जाता है ताकि गिरावट को उलटा, मरम्मत या कम किया जा सके, जैसे दरारें, खरोंच और धूल के धब्बे जैसी भौतिक क्षति, या रासायनिक क्षति; इसमें इन्फ्रारेड सफाई शामिल हो सकती है। यह लाल-आंख, मुद्रांकित तिथियां, लोगो, या वॉटरमार्क भी हटा सकता है, और कोडिंग और ट्रांसमिशन में खोए ब्लॉकों को बदल सकता है, उदाहरण के लिए स्ट्रीमिंग वीडियो में।
डीप लर्निंग दृष्टिकोण
डीप लर्निंग न्यूरल नेटवर्क-आधारित इनपेंटिंग का उपयोग छवियों को डिसेंसर करने के लिए किया जा सकता है। डीप इमेज प्रायर-आधारित तकनीकों का उपयोग उन स्थितियों में किया जा सकता है जहां एक प्रशिक्षित डीप लर्निंग मॉडल उपलब्ध नहीं है या अव्यवहारिक है। दृश्य सामग्री निर्माण के लिए डीप मॉडल, जैसे टेक्स्ट-टू-इमेज या टेक्स्ट-टू-वीडियो, दृश्य सामग्री के वितरण पर जटिल प्रायर सीखते हैं और लुप्त हिस्सों को भरने के लिए उपयोग किए जा सकते हैं। उदाहरण के लिए, वीडियो को ओम्निमैट नामक तकनीक का उपयोग करके परतों में विभाजित किया जा सकता है, जो या तो एक ओम्निमैट मॉडल को पहले से प्रशिक्षित करता है या बिना किसी प्रशिक्षण के ओम्निमैट-ज़ीरो मॉडल का उपयोग करता है।
साहित्य में 2D छवि-इनपेंटिंग एल्गोरिदम के तीन मुख्य समूह मौजूद हैं: संरचनात्मक (या ज्यामितीय) इनपेंटिंग, बनावट इनपेंटिंग, और दोनों का संयोजन। संरचनात्मक विधियां ज्यामितीय जानकारी के प्रसार पर ध्यान केंद्रित करती हैं, जबकि बनावट विधियां दोहराव वाले पैटर्न को पुन: उत्पन्न करती हैं।
जनरेटिव एआई और प्रॉम्प्टिंग में उपयोग
Generative AI में, इनपेंटिंग कई Large language model-आधारित और डिफ्यूजन-आधारित छवि निर्माण प्रणालियों की एक मुख्य क्षमता है। उपयोगकर्ता एक Prompt प्रदान करते हैं जो मास्क किए गए या चयनित क्षेत्र के लिए वांछित सामग्री का वर्णन करता है, और मॉडल पिक्सेल उत्पन्न करता है जो आसपास की छवि के साथ सहज रूप से मिश्रित होते हैं। यह आउटपेंटिंग से अलग है, जो कैनवास को उसकी मूल सीमाओं से परे विस्तारित करता है। इनपेंटिंग आमतौर पर Replicate जैसे प्लेटफार्मों के माध्यम से उपलब्ध है, जो छवि संपादन के लिए मॉडल होस्ट करते हैं, और OpenAI, Anthropic, और Google DeepMind जैसी कंपनियों के अनुसंधान प्रयासों के उपकरणों में एकीकृत है।
प्रॉम्प्ट लेखकों के लिए, प्रभावी इनपेंटिंग के लिए मौजूदा छवि से मेल खाने के लिए विषय, शैली, प्रकाश व्यवस्था और परिप्रेक्ष्य निर्दिष्ट करना आवश्यक है। मॉडल अक्सर पाठ प्रॉम्प्ट को छवि क्षेत्रों के साथ संरेखित करने के लिए Cross-Attention तंत्र का उपयोग करते हैं, और Top-K Sampling या Top-P (Nucleus) Sampling जैसी तकनीकें आउटपुट विविधता को प्रभावित कर सकती हैं। प्रक्रिया में आमतौर पर एक Encoder-Decoder Architecture आर्किटेक्चर शामिल होता है, जैसे U-Net, जो मास्क की गई छवि को संसाधित करता है और भरे गए क्षेत्र को उत्पन्न करता है।
व्यावहारिक अनुप्रयोग
इनपेंटिंग के व्यावहारिक उपयोगों में ऐतिहासिक तस्वीरों को पुनर्स्थापित करना, छवियों से अवांछित वस्तुओं या लोगों को हटाना, क्षतिग्रस्त फिल्म फुटेज की मरम्मत करना, और विज्ञापन और मनोरंजन में निर्बाध कंपोजिट बनाना शामिल है। चिकित्सा इमेजिंग में, इनपेंटिंग स्कैन से लुप्त डेटा भर सकती है। स्वायत्त ड्राइविंग में, यह मॉडल मजबूती में सुधार के लिए प्रशिक्षण डेटा से बाधाओं को हटा सकती है। यह तकनीक ध्वनि रिकॉर्डिंग में अंतराल भरने के लिए Audio inpainting में भी उपयोग की जाती है, हालांकि यह दृश्य इनपेंटिंग से एक अलग डोमेन है।
चुनौतियां और सीमाएं
डिजिटल इनपेंटिंग में चुनौतियों में मूल छवि की प्रकाश व्यवस्था और बनावट के साथ स्थिरता बनाए रखना, कलाकृतियों से बचना, और यह सुनिश्चित करना शामिल है कि उत्पन्न सामग्री गलत जानकारी पेश न करे, विशेष रूप से वृत्तचित्र या फोरेंसिक संदर्भों में। डीप लर्निंग मॉडल उन विवरणों को मतिभ्रम कर सकते हैं जो मूल रूप से मौजूद नहीं थे, जो भौतिक संरक्षण के समान नैतिक चिंताओं को उठाते हैं। 2020 के दशक की शुरुआत तक, मॉडल जटिल दृश्यों को संभालने में सुधार जारी रखते हैं, लेकिन पूर्ण पुनर्निर्माण Artificial intelligence अनुसंधान में एक खुली समस्या बनी हुई है।