पिछले कुछ सालों में NSFW AI इमेज क्वालिटी में नाटकीय बदलाव आया है। यह प्लास्टिक जैसे दिखने वाले, विकृत एनाटॉमी वाले आउटपुट से लेकर ऐसे लगभग फ़ोटो-जैसे नतीजों तक पहुँच गई है जिन्हें ध्यान से देखे बिना पहचानना मुश्किल है। यह लेख बताता है कि क्या बदला, किन मॉडलों ने यह बदलाव लाया, और स्किन रेंडरिंग, लाइटिंग फ़िज़िक्स और एनाटॉमिकल सटीकता आज किस स्तर पर पहुँच गई हैं।
दो साल पहले अगर आप किसी AI से समुद्र तट पर एक फ़ोटोरियलिस्टिक महिला बनाने को कहते, तो नतीजा धूप में पिघलते मोम के पुतले जैसा दिखता। सख़्त त्वचा, गलत अनुपात, बिना गहराई वाली शीशे जैसी आँखें और ऐसी लाइटिंग जिसका भौतिक रूप से कोई मतलब नहीं होता था। तीन फ़ुट दूर से ही पहचाना जा सकता था कि इमेज "AI" से बनी है। आज वही प्रॉम्प्ट ऐसे नतीजे देता है जो लोगों को रुकने पर मजबूर कर दें, ऐसी इमेज जिन्हें असली फ़ोटोग्राफ़ी से अलग पहचानने के लिए ध्यान से देखना पड़े। NSFW AI इमेज क्वालिटी में काफ़ी बदलाव आया है, और यह छलाँग लगभग किसी की भी उम्मीद से कहीं ज़्यादा तेज़ी से आई।
AI इमेज जनरेशन में एक "पहले" और "बाद" का फ़र्क है, और यह फ़र्क मामूली नहीं है। यह विभाजन लगभग 2023 के मध्य में होता है, और उसके उस पार की हर चीज़ अब पुरानी लगती है।
शुरुआती डिफ़्यूज़न मॉडल अपनी खास खामियों वाली इमेज बनाते थे, जो अपने आप में मीम बन गईं। छह उँगलियों वाले हाथ। दाँत जो आपस में घुलकर एक ढेर बन जाते थे। आँखें जो थोड़ी सी अपनी धुरी से खिसक जाती थीं। त्वचा में एक चिकनी, प्लास्टिक जैसी चमक होती थी जो कभी भी असली ऊतक जैसी नहीं लगती थी। बाल अक्सर अधूरे और उलझे हुए धागों का गुच्छा होते थे, और कपड़े की बनावट दिखाई भर जाती थी, असल में रेंडर नहीं होती थी।
NSFW कंटेंट के लिए ये सीमाएँ ख़ासतौर पर बेरहम थीं। इस श्रेणी की इमेज का पूरा मकसद विश्वसनीयता है। चेहरे में ज़रा-सी गड़बड़ी भी जादू तुरंत तोड़ देती है। एनाटॉमी में संदिग्ध अनुपात वाली आकृति आकर्षक लगने के बजाय बेचैन करने वाली लगती है। मॉडल ऐसी चीज़ें बना रहे थे जो तकनीकी रूप से सांकेतिक तो थीं, पर देखने में विश्वसनीय नहीं लगती थीं।
पहली बड़ी क्वालिटी छलाँग SDXL के साथ आई, जो Stability AI का पिछले मॉडलों की डिटेल-सीमाओं का जवाब था। ज़्यादा बेस रेज़ोल्यूशन और दो-चरणों वाली जनरेशन पाइपलाइन पर जाने का मतलब था कि इमेज शोर में बिखरे बिना ज़्यादा बारीक डिटेल रख सकती थीं। चेहरे अधिक स्थिर हुए। हाथों में सुधार हुआ, हालाँकि वे अब भी कमज़ोर कड़ी बने रहे।
इससे भी अहम बात यह है कि SDXL ने फ़ाइन-ट्यून्ड चेकपॉइंट मॉडलों का ऐसा इकोसिस्टम शुरू किया जो किसी खास काम में विशेषज्ञता हासिल कर सकता था। एक मज़बूत बेस मौजूद होने के बाद, समुदाय ने खास तौर पर फ़ोटोग्राफ़िक डेटासेट पर प्रशिक्षित मॉडल बनाए, जैसे Realistic Vision v5.1 और RealVisXL v3.0 Turbo, जिन्होंने स्किन रेंडरिंग में नाटकीय सुधार के साथ असली फ़ोटोरियलिज़्म की ओर कदम बढ़ाए।
💡 क्या बदला: SD 1.5 से SDXL तक का बदलाव क्रमिक नहीं था। पूरे रेज़ोल्यूशन पर मॉडल डिटेल कितनी अच्छी तरह बनाए रखता है, इसमें यह एक साफ़ और निर्णायक सुधार था, खासकर चेहरों और बारीक बनावटों में।
असली क्रांति लहरों में आई, और हर लहर ने स्वीकार्य आउटपुट के न्यूनतम स्तर को ऊपर उठाया।
Flux Dev Black Forest Labs से आया और उसने पहले की किसी भी चीज़ से अलग एहसास दिया। जहाँ पिछले मॉडल पूरे फ़्रेम में एकरूपता बनाए रखने में संघर्ष करते थे, वहीं Flux ने किनारे से किनारे तक एक-सी डिटेल वाली इमेज बनाईं। लाइटिंग भौतिक नियमों के अनुसार व्यवहार करती थी। कपड़े वज़न के साथ लटकते थे। त्वचा में सबसरफ़ेस स्कैटरिंग थी, यानी वह हल्की पारदर्शिता जहाँ कान और उँगलियों जैसे पतले ऊतकों से होकर रोशनी गुज़रती है, और यह बात पिछले मॉडलों की पकड़ से हमेशा बाहर रही थी।
Flux 1.1 Pro Ultra ने इसे नेटिव हाई-रेज़ोल्यूशन जनरेशन के साथ और आगे बढ़ाया, यानी मॉडल एक छोटी इमेज को अपस्केल नहीं कर रहा था, बल्कि शुरू से ही पूरे रेज़ोल्यूशन पर रेंडर कर रहा था। फ़र्क दिखाई देता है: अपस्केल चरण से कोई धुंधलापन नहीं, और स्किन टेक्सचर में मिड-फ़्रीक्वेंसी डिटेल का नुकसान नहीं। NSFW उपयोग के लिए यह एक निर्णायक फ़र्क था।
नवीनतम पीढ़ी, Flux 2 Pro और Flux 2 Max, आर्किटेक्चर को और परिष्कृत करती है। रंग ज़्यादा समृद्ध हैं पर ओवरसैचुरेट नहीं। शैडो और हाईलाइट्स की टोनल रेंज सही एक्सपोज़र वाली फ़ोटोग्राफ़ी जैसी लगती है, न कि पुराने AI मॉडलों की थोड़ी दबी हुई रेंज जैसी। कई सब्जेक्ट वाले जटिल दृश्य अब बिखरने के बजाय एक साथ जुड़े रहते हैं।
Realistic Vision v5.1 जैसे खास तौर पर फ़ोटोरियलिज़्म के लिए बने मॉडलों ने दिखाया कि क्यूरेटेड फ़ोटोग्राफ़िक डेटा पर फ़ाइन-ट्यूनिंग से क्या हासिल हो सकता है। इन मॉडलों को ऐसी इमेज पर प्रशिक्षित किया गया था जिनका ग्राउंड ट्रुथ असली फ़ोटोग्राफ़ था, सिंथेटिक डेटा नहीं। इसका मतलब है कि उन्होंने असली त्वचा के सांख्यिकीय पैटर्न सीखे: वह कभी भी पूरी तरह एकसमान नहीं होती, रेकिंग लाइट में रोमछिद्र कैसे दिखते हैं, और गाल से जबड़े तक रंग कैसे बदलता है।
NSFW कंटेंट के लिए इसका बहुत महत्व था। AI से बनी आकृति में आकर्षक और बेचैन करने वाली चीज़ के बीच का फ़र्क अक्सर कुछ स्किन रेंडरिंग फ़ैसलों पर टिका होता है: क्या बनावट में प्राकृतिक विविधता है, या वह ऐसी एकरूपता लिए है जो असली त्वचा में कभी नहीं होती? क्या लाइटिंग शरीर के उभारों पर उपयुक्त शैडो ग्रेडिएंट बनाती है? क्या इमेज में वे सूक्ष्म अपूर्णताएँ हैं जो उसे फ़ोटो खींची गई लगने देती हैं, न कि संश्लेषित?
Stable Diffusion 3.5 Large ने वह चीज़ लाई जो पिछले मॉडलों में नहीं थी: बेहतर कम्पोज़िशनल समझ। बात सिर्फ़ रेंडरिंग क्वालिटी की नहीं थी, बल्कि सब्जेक्ट को ऐसे वातावरण में रखने की थी जो भौतिक रूप से सही लगे। शैडो सही दिशाओं में गिरे। परिवेश की रोशनी के स्रोतों ने पूरे दृश्य को एकसमान रूप से प्रभावित किया। डेप्थ-ऑफ़-फ़ील्ड एक असली ऑप्टिकल गुण जैसा लगा, न कि बाद में लगाया गया धुंधलापन।
यह कम्पोज़िशनल सुधार NSFW दृश्यों के लिए खास तौर पर मायने रखता है, क्योंकि विश्वसनीयता जितनी आकृति पर निर्भर करती है उतनी ही वातावरण पर। भौतिक रूप से असंभव पृष्ठभूमि के सामने एक खूबसूरती से रेंडर किया गया सब्जेक्ट तुरंत यथार्थवाद को तोड़ देता है। SD 3.5 के आर्किटेक्चरल सुधारों से पूरा फ़्रेम एक साथ काम करने लगा।
इस संदर्भ में क्वालिटी एक चीज़ नहीं है। यह अलग-अलग रेंडरिंग समस्याओं का एक सेट है जिन्हें एक साथ हल करना होता है।
मानव त्वचा उन सबसे जटिल सतहों में से एक है जिन्हें एक जनरेटिव मॉडल को दोहराना पड़ता है। वह एक-समान रंग की नहीं होती, एक-समान बनावट की नहीं होती, और एक-समान रोशनी में नहीं होती। त्वचा का एक ही हिस्सा रोशनी के कोण के हिसाब से पूरी तरह अलग दिख सकता है। रेकिंग साइडलाइट में हर रोमछिद्र एक छोटी परछाई डालता है। ऊपर से फैली रोशनी में बनावट सपाट हो जाती है। कान पर रोशनी ऊतक से होकर गुज़रती है और उसे पारदर्शी गुलाबी बना देती है।
पिछले मॉडल ऐसी त्वचा बनाते थे जो इतनी चिकनी होती थी जितनी कोई असली इंसानी त्वचा कभी नहीं होती। नई पीढ़ी, खासकर Flux-आधारित मॉडल और GPT Image 1.5, त्वचा को असली सबसरफ़ेस गुणों वाली एक जटिल ऑप्टिकल सामग्री की तरह देखती है। नतीजा ऐसी इमेज हैं जो रेंडर की गई नहीं, बल्कि फ़ोटो खींची गई लगती हैं।
| मॉडल | स्किन टेक्सचर | लाइटिंग सटीकता | एनाटॉमी | कुल यथार्थता |
|---|---|---|---|---|
| SD 1.5 (2022) | चिकनी/प्लास्टिक जैसी | कमज़ोर | असंगत | कम |
| SDXL (2023) | सुधरी हुई | मध्यम | बेहतर | मध्यम |
| Flux Dev (2024) | उच्च | अच्छी | ठोस | उच्च |
| Flux 1.1 Pro Ultra | उत्कृष्ट | उत्कृष्ट | बहुत अच्छी | बहुत उच्च |
| Flux 2 Max | लगभग-फ़ोटोग्राफ़िक | उत्कृष्ट | उत्कृष्ट | लगभग-फ़ोटोग्राफ़िक |
लाइटिंग वह क्षेत्र है जहाँ इतिहास में AI मॉडल सबसे स्पष्ट रूप से विफल हुए, और जहाँ सुधार सबसे नाटकीय रहा है। शुरुआती मॉडल लाइटिंग को एक तरह की कलर ग्रेडिंग की तरह लगाते थे, गर्म या ठंडा टिंट जो रोशनी के स्रोत का आभास देता था, पर असल में उसे सिमुलेट नहीं करता था। शैडो उस रोशनी की अनुमानित स्थिति से मेल नहीं खाते थे। हाईलाइट्स असली फ़ोटोग्राफ़ी के धीरे-धीरे घटते ग्रेडिएंट के बिना ही ओवरएक्सपोज़ होकर सफ़ेद हो जाते थे।
मौजूदा मॉडल, खासकर Google के Imagen 4 और Imagen 4 Ultra, लाइटिंग को असली भौतिक सटीकता के साथ संभालते हैं। खिड़की के पास खड़े सब्जेक्ट की आँखों में कैचलाइट्स खिड़की की स्थिति से मेल खाती हैं। उनकी गर्दन पर शैडो सही कोण पर गिरता है। दीवार के उछाले हुए रंग से आने वाली परिवेशी फ़िल लाइट शैडो वाले हिस्से को उपयुक्त रूप से टिंट करती है। यह फ़ोटोग्राफ़ी है, अनुमान नहीं।
शुरुआती AI में एनाटॉमी की समस्या सिर्फ़ उँगलियों की नहीं थी। यह स्थानिक तर्क की सामान्य विफलता थी: मॉडल के पास इस बात का मज़बूत आंतरिक मॉडल नहीं था कि मानव शरीर त्रि-आयामी जगह में कैसे बैठता है। धड़ कभी बहुत लंबे या बहुत छोटे होते थे। कंधे बेतहाशा असममित हो सकते थे। बैठी आकृतियों के अनुपात ध्यान से जाँचने पर किसी ज्यामितीय तर्क पर खरे नहीं उतरते थे।
आज के मॉडलों ने मानक पोज़ के स्तर पर इसे काफ़ी हद तक सुलझा लिया है। मध्यम दूरी के शॉट में खड़ी या लेटी आकृति के अनुपात जाँच में टिकते हैं। बची हुई विफलताएँ अक्सर असामान्य कोणों, अत्यधिक फ़ोरशॉर्टनिंग या कई सब्जेक्ट्स के बीच जटिल इंटरैक्शन में दिखती हैं। NSFW के सामान्य रचनात्मक उपयोगों के लिए एनाटॉमी की समस्या व्यावहारिक रूप से हल हो चुकी है।
💡 प्रो टिप: अगर असामान्य पोज़ में एनाटॉमी अब भी टूटती है, तो Flux Schnell को ControlNet पोज़ गाइडेंस के साथ इस्तेमाल करने से डिटेल पास चलने से पहले आकृति का ढाँचा स्थिर किया जा सकता है।
अकेले मॉडल की क्वालिटी आउटपुट की क्वालिटी तय नहीं करती। मॉडल के आसपास के टूल्स भी उतने ही मायने रखते हैं।
सबसे असरदार सुधारों में से एक जनरेशन के बाद की अपस्केलिंग में आया है। सुपर-रेज़ोल्यूशन मॉडल अब 1024x1024 की इमेज लेकर 4096x4096 संस्करण बना सकते हैं, जो बिलिनियर तरीके से बढ़ाई गई इमेज के बजाय असली फ़ोटो जैसा दिखता है। एक मज़बूत बेस मॉडल और एक समर्पित सुपर-रेज़ोल्यूशन अपस्केलिंग चरण का संयोजन ऐसे नतीजे देता है जो अकेला बेस मॉडल चाहे कितना भी अच्छा हो, नहीं दे सकता। चेन के हर चरण का असर एक-दूसरे पर जुड़ता जाता है, शुरुआती जनरेशन से लेकर अपस्केल पास तक, और इससे समग्र फ़िडेलिटी बढ़ती है।
सबसे अच्छे मॉडल भी कभी-कभी ऐसी इमेज बनाते हैं जो 95% परफ़ेक्ट होती है, बस एक ध्यान भटकाने वाली खामी के साथ। मॉडलों के साथ-साथ इनपेंटिंग भी नाटकीय रूप से परिपक्व हुई है। जहाँ शुरुआती इनपेंटिंग में दिखने वाले जोड़ साफ़ नज़र आते थे और बनावटें बेमेल होती थीं, वहीं आज के टूल चेहरा, हाथ या बैकग्राउंड का कोई तत्व बिना जोड़ दिखाए दोबारा बना सकते हैं। मास्क किया गया हिस्सा आसपास के संदर्भ की पूरी समझ के साथ दोबारा जनरेट होता है।
NSFW कंटेंट के लिए यह खास तौर पर उपयोगी है, क्योंकि इन इमेज में अक्सर कुछ खास हिस्से होते हैं, जैसे चेहरा या शरीर का कोई खास भाग, जहाँ यथार्थता के दाँव सबसे ऊँचे होते हैं। पूरी कम्पोज़िशन को बिगाड़े बिना उन हिस्सों को क्वालिटी पास के लिए चुन पाना एक ऐसा वर्कफ़्लो बदलाव है जो हासिल की जा सकने वाली आउटपुट क्वालिटी को नाटकीय रूप से बढ़ा देता है।
बेहतर मॉडल को उनकी गुणवत्ता की पूरी सीमा तक पहुँचने के लिए बेहतर प्रॉम्प्ट चाहिए होते हैं। SD 1.5 के लिए जो प्रॉम्प्टिंग भाषा काम करती थी ("a beautiful woman, high quality, 4k"), वह आधुनिक आर्किटेक्चर पर औसत दर्जे के नतीजे देती है।
आधुनिक फोटोरियलिस्टिक प्रॉम्प्टिंग कीवर्ड की सूची के बजाय किसी सिनेमैटोग्राफ़र के शॉट का विवरण लिखने के ज़्यादा करीब है। "beautiful skin, realistic" जैसे वाक्यांशों की जगह असरदार प्रॉम्प्ट विशिष्ट ऑप्टिकल घटनाओं का वर्णन करते हैं: "subsurface scattering visible at the ears," "Rembrandt lighting creating a triangular highlight on the cheekbone," "pores casting micro-shadows under raking sidelight."
💡 अब क्या काम करता है: रोशनी क्या कर रही है, यह बताएँ, सिर्फ़ यह नहीं कि सीन में क्या है। "Morning light at 15 degrees from the left creating long shadows across the linen" लिखने पर रोशनी, सामान्य वाक्यांश "natural light" की तुलना में नाटकीय रूप से बेहतर बनती है।
सबसे भरोसेमंद प्रॉम्प्टिंग विकास यह रहा है कि असली फ़ोटोग्राफ़ी की भाषा अपनाई जाए। फ़ोकल लेंथ (85mm बनाम 24mm) निर्दिष्ट करने से इमेज का स्पेशियल कम्प्रेशन और बैकग्राउंड ब्लर की मात्रा बदलती है। f-स्टॉप निर्दिष्ट करने से डेप्थ ऑफ़ फ़ील्ड की रेंडरिंग प्रभावित होती है। "Kodak Portra 400" या "Fujifilm Pro 400H" जैसे फ़िल्म एमुलेशन शब्द मॉडल को रंग-प्रस्तुति, ग्रेन के स्वभाव और टोनल कर्व के बारे में कुछ ख़ास बताते हैं, जो "film aesthetic" जैसे सामान्य शब्द नहीं बताते।
यही विशिष्टता इस बात का एक कारण है कि जो मॉडल नौसिखिए उपयोगकर्ताओं को औसत नतीजे देते हैं, वही मॉडल अपने शिल्प की शब्दावली से प्रॉम्प्ट लिखने वाले फ़ोटोग्राफ़रों को दंग कर देने वाले नतीजे देते हैं।
आँकड़े एक कहानी कहते हैं, पर दृश्य तुलना कहीं ज़्यादा दिल पर असर करने वाली होती है। पीढ़ी-दर-पीढ़ी असल में क्या बदला, यह यहाँ है:
| दौर | निर्णायक मॉडल | त्वचा | हाथ | लाइटिंग | विश्वसनीयता |
|---|---|---|---|---|---|
| 2022 | Stable Diffusion 1.5 | प्लास्टिक/चिकनी | अक्सर 5-6 उँगलियाँ | सपाट/असंगत | तुरंत AI |
| 2023 | SDXL | सुधरी हुई बनावट | ज़्यादातर सही | मध्यम गहराई | AI के रूप में पहचानी जाने वाली |
| 2024 की शुरुआत | Flux Dev | लगभग-यथार्थ | भरोसेमंद | भौतिक | अक्सर विश्वसनीय |
| 2024 का अंत | Flux 1.1 Pro Ultra | फ़ोटोग्राफ़िक | लगभग-परफ़ेक्ट | उत्कृष्ट | पहचानना मुश्किल |
| 2025-2026 | Flux 2 Max, Imagen 4 Ultra | अलग न पहचाने जाने लायक | फ़ोटोग्राफ़िक | लगभग-परफ़ेक्ट | ध्यान से जाँच की ज़रूरत |
यह रफ़्तार धीमी नहीं पड़ रही। हर आर्किटेक्चरल पीढ़ी ने ऐसे सुधार लाए हैं जो दो साल पहले अविश्वसनीय लगते।
ईमानदार जवाब यह है कि नियंत्रित परिस्थितियों में, मानक पोज़, एकल सब्जेक्ट और सही ढंग से वर्णित लाइटिंग के लिए, मौजूदा मॉडलों ने फ़ोटोरियलिज़्म को व्यावहारिक रूप से हल कर दिया है। Flux 2 Max, Imagen 4 Ultra और Seedream 4 से बनी इमेज को फ़ोटोग्राफ़ से अलग पहचानने के लिए गंभीर जाँच की ज़रूरत होती है। AI आउटपुट की जो खास तकनीकी पहचान थी, जैसे प्लास्टिक त्वचा, आँखों का खिसकना, लाइटिंग की असंगति, वह सामान्य उपयोग के मामलों में अब नहीं रही।
जो चुनौतियाँ बची हैं वे किनारों पर हैं: जटिल मल्टी-फ़िगर कम्पोज़िशन, अत्यधिक पोज़, वातावरण में टेक्स्ट रेंडरिंग, और वह अव्यवस्थित वास्तविक-दुनिया का दृश्य जिसे फ़ोटोग्राफ़ी बिना सोचे पकड़ लेती है। ये अब भी सक्रिय शोध के क्षेत्र हैं, और ये हर कुछ महीनों में बेहतर हो रहे हैं।
💡 व्यावहारिक सीमा: NSFW रचनात्मक काम के लिए क्वालिटी की सीमा अब लगभग पूरी तरह प्रॉम्प्ट कौशल और मॉडल के चुनाव से तय होती है, मॉडल की आर्किटेक्चरल सीमाओं से नहीं। Flux 1.1 Pro Ultra जैसे मज़बूत मॉडल पर अच्छी तरह तैयार किया गया प्रॉम्प्ट ऐसे नतीजे देगा जिन्हें 2022 में तकनीकी रूप से असंभव माना जाता।
इस क्वालिटी बदलाव को महसूस करने का सबसे अच्छा तरीका है कि एक ही प्रॉम्प्ट को अलग-अलग मॉडल पीढ़ियों में बैक-टू-बैक चलाया जाए। PicassoIA ये सभी मॉडल एक जगह देता है: तेज़ प्रयोग के लिए Flux Schnell, अधिकतम क्वालिटी के लिए Flux 1.1 Pro Ultra, फ़ाइन-ट्यून्ड फ़ोटोग्राफ़िक स्टाइल के लिए Realistic Vision v5.1, और यथार्थवाद पर OpenAI के नज़रिए के लिए GPT Image 1.5।
आप हर मॉडल पर वही प्रॉम्प्ट चला सकते हैं और रीयल टाइम में देख सकते हैं कि नतीजे कितने अलग हैं। कैमरा भाषा के साथ प्रयोग करें: अपनी अगली जनरेशन में "85mm f/1.4, Kodak Portra 400, volumetric morning light from the left" लिखकर देखें और उसकी किसी सामान्य प्रॉम्प्ट से तुलना करें। नतीजे आपको किसी भी लेख से ज़्यादा ठोस तरीके से दिखा देंगे कि क्वालिटी का बदलाव व्यवहार में असल में कैसा दिखता है। कोई मॉडल चुनें, एक विस्तृत दृश्य विवरण लिखें, और देखें कि मौजूदा सीमा असल में कहाँ है।
अपनी भाषा चुनें
