AI से फ़ोटो में कलर कास्ट कैसे ठीक करें — Magic Eraser
मिश्रित प्रकाश, फ्लोरोसेंट बल्ब और गलत व्हाइट बैलेंस से होने वाले अवांछित कलर कास्ट की पहचान करना और उन्हें AI-powered फ़ोटो करेक्शन टूल्स की मदद से ठीक करना सीखें। विशेषज्ञ तकनीकों के साथ चरण-दर-चरण गाइड।
SEO & Growth
समीक्षा द्वारा Magic Eraser Editorial ·
कलर कास्ट फ़ोटोग्राफ़ी में सबसे आम समस्याओं में से एक है, फिर भी यह सबसे कम समझी जाने वाली समस्याओं में से एक बनी हुई है। प्रकाश का हर स्रोत एक विशिष्ट वर्णक्रमीय वितरण पर फ़ोटॉन उत्सर्जित करता है जिसकी भरपाई आपका मस्तिष्क स्वचालित रूप से करता है — एक घटना जिसे वर्णक्रमीय अनुकूलन कहते हैं — लेकिन आपका कैमरा उसे वैसे ही रिकॉर्ड करता है जैसा वह है। टंगस्टन बल्ब नारंगी-लाल वर्णक्रम में भारी मात्रा में विकिरण करते हैं और गर्म कास्ट उत्पन्न करते हैं जो सफ़ेद को क्रीम रंग का और छायाओं को एम्बर जैसा बना देते हैं। फ्लोरोसेंट ट्यूब विशिष्ट तरंगदैर्ध्य पर संकीर्ण स्पाइक उत्सर्जित करते हैं, जो अक्सर एक बीमार-हरा या सायन टिंट पैदा करते हैं जो त्वचा पर बहुत ही अनाकर्षक लगता है। LED पैनल अपने फॉस्फर कोटिंग के आधार पर बहुत भिन्न होते हैं — सस्ते LEDs मैजेंटा या पीला-हरा कास्ट उत्पन्न कर सकते हैं जिसे कोई भी मानक व्हाइट बैलेंस प्रीसेट साफ़ तौर पर ठीक नहीं कर सकता। मिश्रित प्रकाश व्यवस्थाएँ, जहाँ दो या अधिक प्रकार के स्रोत दृश्य के विभिन्न हिस्सों को रोशन करते हैं, स्थानिक रूप से भिन्न कलर कास्ट उत्पन्न करती हैं जिन्हें एक ही वैश्विक स्लाइडर समायोजन से ठीक नहीं किया जा सकता।
Photoshop या Lightroom में पारंपरिक कलर कास्ट करेक्शन में व्हाइट बैलेंस तापमान और टिंट स्लाइडर्स को मैन्युअल रूप से समायोजित करना, फिर कर्व्स या चयनात्मक रंग उपकरणों के माध्यम से अलग-अलग रंग चैनलों को ठीक करना शामिल है। इस प्रक्रिया में प्रशिक्षित आँख, कैलिब्रेटेड मॉनिटर और बहुत धैर्य की आवश्यकता होती है। मिश्रित टंगस्टन और DJ लाइटिंग स्थितियों के तहत खींची गई शादी के रिसेप्शन फ़ोटो को ठीक करने में प्रति छवि पंद्रह से बीस मिनट लग सकते हैं। असंगत प्रकाश व्यवस्था के तहत लिए गए सैकड़ों इवेंट फ़ोटो या उत्पाद शॉट्स को संसाधित करने वाले विशेषज्ञों के लिए, मैन्युअल करेक्शन एक बड़ी समय बाधा है। कठिनाई तब और बढ़ जाती है जब कास्ट एक ही फ्रेम के भीतर भिन्न होता है: खिड़की के पास का विषय नीला-ठंडा दिखता है जबकि टेबल लैंप के पास का वही विषय नारंगी-गर्म दिखता है। कोई एक व्हाइट बैलेंस सेटिंग दोनों को एक साथ ठीक नहीं कर सकती।
AI-powered कलर करेक्शन इस समीकरण को मूल रूप से बदल देता है। लाखों सही ढंग से व्हाइट-बैलेंस की गई छवियों पर प्रशिक्षित आधुनिक न्यूरल नेटवर्क यह पहचान सकते हैं कि फ़ोटोग्राफ़ में कौन सी सतहें तटस्थ दिखनी चाहिए, कौन से त्वचा टोन स्वस्थ दिखने चाहिए, और दृश्य में प्रकाश का हर स्रोत किस वर्णक्रमीय हस्ताक्षर में योगदान दे रहा है, फिर स्थानिक रूप से जागरूक सुधार लागू करते हैं जो प्रत्येक प्रकाश क्षेत्र को अपने आप संबोधित करते हैं। यह गाइड Magic Eraser के AI टूल्स का उपयोग करके कलर कास्ट के निदान और सुधार के लिए पूरी कार्यप्रवाह प्रस्तुत करती है — एकल-स्रोत सुधारों से जो सेकंड लेते हैं, जटिल मिश्रित-प्रकाश परिदृश्यों तक जिन्हें मैन्युअल रूप से ठीक करना अव्यावहारिक होगा। चाहे आप टंगस्टन-टिंटेड रियल एस्टेट इंटीरियर, फ्लोरोसेंट-हरे ऑफ़िस पोर्ट्रेट, या चार अलग-अलग रंगीन अपलाइट्स के तहत ली गई शादी की फ़ोटो ठीक कर रहे हों, यहाँ बताई गई तकनीकें प्राकृतिक दिखने वाली त्वचा टोन के साथ साफ, तटस्थ परिणाम उत्पन्न करेंगी।
- AI color correction स्वचालित रूप से तटस्थ सतहों और प्रकाश स्रोत वर्णक्रम की पहचान करता है, स्थानिक रूप से जागरूक व्हाइट बैलेंस समायोजन लागू करता है जो एक ही फ्रेम के भीतर प्रत्येक प्रकाश क्षेत्र को अपने आप संबोधित करते हैं।
- मिश्रित प्रकाश व्यवस्थाएँ — टंगस्टन प्लस डेलाइट, फ्लोरोसेंट प्लस LED — स्थानिक रूप से भिन्न कास्ट उत्पन्न करती हैं जिन्हें एक व्हाइट बैलेंस स्लाइडर ठीक नहीं कर सकता। AI प्रकाश स्रोत सीमाओं का पता लगाकर प्रत्येक क्षेत्र को अलग से ठीक कर सकता है।
- त्वचा टोन को पृथक उपचार की आवश्यकता होती है क्योंकि मानव धारणा अप्राकृतिक त्वचा के रंग के प्रति अद्वितीय रूप से संवेदनशील होती है, जिसमें वैश्विक कलर कास्ट ठीक होने के बाद अलग मिडटोन ह्यू और सैचुरेशन समायोजन की आवश्यकता होती है।
- सुधार कार्यप्रवाह वैश्विक स्वचालित व्हाइट बैलेंस से क्षेत्रीय चयनात्मक समायोजन से त्वचा-विशिष्ट फ़ाइन-ट्यूनिंग तक बढ़ता है, प्रत्येक चरण शेष रंग त्रुटि को धीरे-धीरे कम करता है।
- तटस्थ संदर्भ बिंदुओं — सफ़ेद, ग्रे, त्वचा टोन पैलेट — के विरुद्ध सत्यापन सुनिश्चित करता है कि सुधार सटीक है न कि केवल एक कलर कास्ट को दूसरे से बदलना।
रंग तापमान, व्हाइट बैलेंस और कास्ट क्यों होते हैं, यह समझना
रंग तापमान, जिसे केल्विन में मापा जाता है, एक प्रकाश स्रोत के वर्णक्रमीय वितरण को उस तापमान तक गर्म किए गए आदर्श ब्लैकबॉडी द्वारा उत्सर्जित विकिरण से तुलना करके वर्णित करता है। लगभग 2700K का निम्न रंग तापमान — जो गरमागरम बल्बों और मोमबत्तियों के लिए विशिष्ट है — ऐसा प्रकाश उत्पन्न करता है जो लाल और नारंगी वर्णक्रम की ओर भारी रूप से झुका होता है। लगभग 5500K का मध्यम तापमान काफी सम वर्णक्रमीय वितरण के साथ दोपहर के दिन के उजाले के करीब होता है। 7000K से ऊपर का उच्च तापमान, जो खुली छाया और बादल वाले आसमान में पाया जाता है, वर्णक्रमीय शिखर को नीले रंग की ओर स्थानांतरित करता है। आपका कैमरा सेंसर इन वर्णक्रमीय अंतरों को सटीक रूप से कैप्चर करता है, दृश्य को वैसे ही रिकॉर्ड करता है जैसे प्रकाश वास्तव में उसे रोशन करता है। व्हाइट बैलेंस सेटिंग कैमरे को बताती है कि किस रंग तापमान को तटस्थ मानना है। जब वह सेटिंग वास्तविक रोशनी से मेल नहीं खाती, तो परिणाम पूरी छवि पर कलर कास्ट होता है।
समस्या मिश्रित प्रकाश व्यवस्थाओं में बहुत अधिक जटिल हो जाती है, जो फ़ोटोग्राफ़रों की अपेक्षा से कहीं अधिक सामान्य हैं। एक रियल एस्टेट इंटीरियर शॉट में 5600K पर खिड़कियों से आता दिन का उजाला, 3200K पर रिसेस्ड हैलोजन स्पॉटलाइट्स और 4100K के प्रभावी तापमान पर हरे स्पाइक के साथ अंडर-कैबिनेट फ्लोरोसेंट स्ट्रिप्स शामिल हो सकते हैं। किसी रेस्तरां के दृश्य में टंगस्टन एडिसन बल्ब, रंगीन एक्सेंट LEDs और प्रवेश द्वार से दिन का उजाला सभी एक ही विषय पर विभिन्न कोणों से पड़ रहे हो सकते हैं। इन स्थितियों में, कोई एक व्हाइट बैलेंस मान फ्रेम में हर जगह सही परिणाम नहीं देता। खिड़की की रोशनी के लिए व्हाइट बैलेंस सेट करने से इंटीरियर गहरा नारंगी हो जाता है। इंटीरियर के लिए सेट करने से खिड़की का दृश्य अत्यधिक नीला हो जाता है। फ़ोटोग्राफ़र को कैप्चर के दौरान कम बुराई चुननी होती है और शेष कास्ट को ठीक करने के लिए पोस्ट-प्रोसेसिंग पर निर्भर रहना पड़ता है। यहीं पर AI correction महत्वपूर्ण हो जाता है।
कैमरा ऑटो व्हाइट बैलेंस एल्गोरिदम में काफी सुधार हुआ है लेकिन फिर भी सीमित हैं क्योंकि वे वास्तविक दृश्य समझ के बजाय सांख्यिकीय अनुमानों का उपयोग करते हैं। अधिकांश ऑटो व्हाइट बैलेंस सिस्टम मानते हैं कि पूरे फ्रेम में औसत रंग तटस्थ ग्रे होना चाहिए — ग्रे वर्ल्ड धारणा — या कि दृश्य का सबसे चमकीला भाग सफ़ेद है। ये धारणाएँ कई वास्तविक दुनिया की स्थितियों में पूरी तरह विफल हो जाती हैं। हरी घास का एक मैदान ग्रे वर्ल्ड धारणा का उल्लंघन करता है और कैमरे को क्षतिपूर्ति के लिए मैजेंटा जोड़ने का कारण बनता है। सूर्यास्त के आसमान में कोई वास्तविक सफ़ेद नहीं होता और कैमरा गलत तटस्थ पर अटक सकता है। ऑटो व्हाइट बैलेंस किसी भी स्थानिक भिन्नता को संभाल नहीं सकता — यह एक वैश्विक सुधार लागू करता है, जो स्वाभाविक रूप से गलत है जब कई प्रकाश स्रोत एक ही फ्रेम के विभिन्न क्षेत्रों में अलग-अलग कास्ट योगदान देते हैं।
- केल्विन में रंग तापमान प्रकाश स्रोत के वर्णक्रमीय वितरण का वर्णन करता है: गर्म टंगस्टन के लिए 2700K, तटस्थ दिन के उजाले के लिए 5500K, ठंडी छाया के लिए 7000K+, जिसमें कास्ट तब होती है जब व्हाइट बैलेंस वास्तविक रोशनी से मेल नहीं खाता।
- मिश्रित प्रकाश वातावरण — विभिन्न रंग तापमानों पर कई स्रोत एक ही दृश्य को रोशन करते हुए — स्थानिक रूप से भिन्न कास्ट उत्पन्न करते हैं जिन्हें कोई एक व्हाइट बैलेंस स्लाइडर वैश्विक रूप से हल नहीं कर सकता।
- कैमरा ऑटो व्हाइट बैलेंस ग्रे वर्ल्ड धारणा जैसे सांख्यिकीय अनुमानों पर निर्भर करता है — यह विफल होता है जब दृश्य एक ही रंग से प्रभावित होता है, उसमें वास्तविक सफ़ेद रंग का अभाव होता है, या कई प्रकार के प्रकाश स्रोत होते हैं।
- AI color correction ऑटो व्हाइट बैलेंस से आगे निकल जाता है — दृश्य सामग्री को समझकर, तटस्थ सतहों को प्रासंगिक रूप से पहचानकर, और एकल वैश्विक बदलाव के बजाय क्षेत्र-विशिष्ट सुधार लागू करके।
कलर कास्ट को ठीक करने से पहले उसके सटीक प्रकार का निदान करना
सटीक निदान कलर कास्ट सुधार में सबसे महत्वपूर्ण कदम है क्योंकि गलत निदान गलत सुधार की ओर ले जाता है, और गलत दिशा में अति-सुधार मूल कास्ट से भी बदतर परिणाम उत्पन्न करता है। पहली निदान तकनीक तटस्थ संदर्भ जांच है। दृश्य में उन वस्तुओं को देखें जो आप जानते हैं कि अवर्णी होनी चाहिए — एक सफ़ेद शर्ट, एक ग्रे कंक्रीट की दीवार, एक स्टेनलेस स्टील का उपकरण, प्रिंटर पेपर की एक शीट। इन क्षेत्रों को आईड्रॉपर टूल से सैंपल करें और RGB मानों की जाँच करें। सही ढंग से संतुलित छवि में, तटस्थ वस्तुओं के लाल, हरे और नीले मान एक-दूसरे के कुछ अंकों के भीतर होते हैं। यदि आपकी सफ़ेद दीवार R:210 G:178 B:145 सैंपल करती है, तो आपके पास एक मजबूत गर्म कास्ट है (लाल और हरा प्रभावी, नीला कमी)। यदि यह R:165 G:185 B:200 पढ़ती है, तो आपके पास एक ठंडा नीला कास्ट है।
दूसरी निदान तकनीक विशेष रूप से छायाओं की जाँच करना है। छाया क्षेत्र सीधे रोशनी वाले क्षेत्रों की तुलना में परिवेशी प्रकाश के रंग को अधिक स्पष्ट रूप से प्रकट करते हैं। हाइलाइट्स अक्सर उड़ा या क्लिप हो जाते हैं, जो उनके रंग पूर्वाग्रह को छिपा देते हैं। मिडटोन में कई स्रोतों से मिश्रित योगदान होता है। लेकिन छायाएँ मुख्य रूप से परिवेशी फिल लाइट से रोशन होती हैं — दीवारों, छतों और अन्य सतहों से परावर्तित — जो पर्यावरणीय कलर कास्ट को केंद्रित करती हैं। फ्लोरोसेंट ओवरहेड लाइटिंग वाले कमरे में, टेबल के नीचे की छायाएँ एक स्पष्ट हरा टिंट दिखाएँगी भले ही सीधे रोशनी वाली सतह तटस्थ के करीब दिखती हो। AI diagnostic टूल स्वचालित रूप से छाया क्षेत्रों को सैंपल कर सकते हैं और प्रमुख कास्ट रंग को एक दृश्य संकेतक के रूप में प्रस्तुत कर सकते हैं, जिससे उन सूक्ष्म टिंट्स को भी पहचानना आसान हो जाता है जिन्हें अप्रशिक्षित आँख शायद देख न पाए।
तीसरी निदान तकनीक ज़ोन में छवि का विश्लेषण करके मिश्रित-कास्ट दृश्यों को संबोधित करती है। फ्रेम को मानसिक रूप से या क्रॉप गाइड के साथ विभिन्न प्रकाश स्रोत प्रभावों के अनुरूप क्षेत्रों में विभाजित करें। खिड़की के पास के क्षेत्र का एक विश्लेषण होता है, छत की फिक्स्चर के नीचे के क्षेत्र का दूसरा, और रंगीन एक्सेंट दीवार के पास के क्षेत्र का तीसरा। प्रत्येक ज़ोन अलग कास्ट रंग और तीव्रता दिखाएगा। सुधार शुरू करने से पहले इन ज़ोन-दर-ज़ोन अंतरों का दस्तावेज़ीकरण सुनिश्चित करता है कि आपका दृष्टिकोण प्रत्येक क्षेत्र को ठीक से संबोधित करता है, बजाय एक ऐसा सुधार लागू करने के जो एक ज़ोन की मदद करते हुए दूसरे को खराब करता है। AI टूल दृश्य ज्यामिति में प्रकाश स्रोत सीमाओं का पता लगाकर और प्रत्येक ज़ोन की कास्ट विशेषताओं को अपने आप रिपोर्ट करके इस क्षेत्रीय विश्लेषण को स्वचालित रूप से कर सकते हैं।
- ज्ञात-तटस्थ वस्तुओं (सफ़ेद कागज़, ग्रे दीवारें, स्टेनलेस स्टील) को आईड्रॉपर से सैंपल करें — दस से अधिक अंकों के अंतर वाले RGB मान प्रभावी चैनल की दिशा में कास्ट का संकेत देते हैं।
- छाया क्षेत्र हाइलाइट्स या मिडटोन की तुलना में परिवेशी प्रकाश रंग को अधिक स्पष्ट रूप से प्रकट करते हैं क्योंकि उन्हें प्राथमिक स्रोत से सीधी रोशनी के बजाय मुख्य रूप से पर्यावरणीय फिल प्राप्त होता है।
- मिश्रित-कास्ट दृश्यों में ज़ोन-दर-ज़ोन विश्लेषण आवश्यक है — विभिन्न प्रकाश स्रोत से प्रभावित प्रत्येक क्षेत्र अलग कास्ट रंग और तीव्रता दिखाएगा जिसके लिए पृथक सुधार की आवश्यकता होती है।
- AI diagnostic टूल दृश्य ज्यामिति में प्रकाश स्रोत सीमाओं की पहचान करके और कोई सुधार लागू करने से पहले प्रति क्षेत्र कास्ट विशेषताओं की रिपोर्ट करके क्षेत्रीय कास्ट पहचान को स्वचालित करते हैं।
AI ऑटोमैटिक व्हाइट बैलेंस से एकल-स्रोत कलर कास्ट को ठीक करना
जब कोई फ़ोटोग्राफ़ पूरी तरह से एक ही प्रकाश स्रोत प्रकार के तहत लिया गया हो — केवल टंगस्टन मॉडलिंग लाइट्स वाला पोर्ट्रेट स्टूडियो, डेलाइट-संतुलित LED पैनल के तहत उत्पाद फ्लैट-ले, या खुली छाया में आउटडोर शॉट — तो परिणामी कलर कास्ट फ्रेम में एक समान होता है और स्वचालित AI correction पर अच्छी प्रतिक्रिया देता है। छवि को Magic Eraser पर अपलोड करें, AI Enhance चुनें, और स्वचालित व्हाइट बैलेंस फ़ंक्शन को सक्रिय करें। AI मॉडल पूरी छवि का विश्लेषण करता है, तटस्थ होने की उच्च संभावना वाली सतहों (कम सैचुरेशन और मध्यम ल्यूमिनेंस वाले क्षेत्र जो सांख्यिकीय रूप से ग्रे या सफ़ेद होने की संभावना रखते हैं) की पहचान करता है, उन सतहों को वास्तव में अवर्णी बनाने के लिए आवश्यक रंग बदलाव की गणना करता है, और उस बदलाव को पूरी छवि पर लागू करता है। एकल-स्रोत कास्ट के लिए, यह एक-क्लिक करेक्शन उल्लेखनीय रूप से सटीक होता है, जो अक्सर तटस्थ सतहों को सच्चे तटस्थ के तीन से पाँच RGB अंकों के भीतर लाता है।
स्वचालित सुधार एक साथ दो समीकरणों को हल करके काम करता है: तापमान (नीला-से-एम्बर अक्ष) और टिंट (हरा-से-मैजेंटा अक्ष)। मानक टंगस्टन कास्ट को ठंडे तापमान की ओर मजबूत बदलाव और न्यूनतम टिंट समायोजन की आवश्यकता होती है। फ्लोरोसेंट कास्ट को अक्सर मध्यम तापमान सुधार के साथ-साथ फ्लोरोसेंट उत्सर्जन वर्णक्रम में हरे स्पाइक का प्रतिकार करने के लिए एक बड़े मैजेंटा टिंट बदलाव की आवश्यकता होती है। LED कास्ट को पैनल गुणवत्ता के आधार पर दोनों अक्षों पर सुधार की आवश्यकता हो सकती है। AI मॉडल ने अपने प्रशिक्षण डेटा से इन विशिष्ट सुधार प्रोफाइलों को सीखा है और जब यह फ्रेम में एक सुसंगत कास्ट का पता लगाता है तो उन्हें उच्च विश्वास के साथ लागू करता है। एकल-स्रोत दृश्यों के लिए परिणाम को आमतौर पर किसी और मैन्युअल समायोजन की आवश्यकता नहीं होती है, जिससे मैन्युअल सुधार के लिए आवश्यक स्लाइडर ट्वीकिंग के मिनट बच जाते हैं।
एकल-स्रोत दृश्यों में स्वचालित सुधार के संघर्ष के किनारे मामलों में जानबूझकर गर्म दृश्य (सूर्यास्त, मोमबत्ती की रोशनी में रात का खाना) शामिल हैं जहाँ गर्म प्रकाश त्रुटि के बजाय रचनात्मक इरादे का हिस्सा है, और ऐसे दृश्य जहाँ प्रभावी विषय रंग तटस्थ पहचान को पक्षपाती करता है (एक लाल स्पोर्ट्स कार जो अधिकांश फ्रेम भरती है, एल्गोरिद्म को यह सोचने पर मजबूर करती है कि गर्म कास्ट है जबकि नहीं है)। जानबूझकर गर्मी के लिए, कम तीव्रता पर सुधार का उपयोग करें — स्वचालित व्हाइट बैलेंस लागू करें फिर इसे गर्मी बनाए रखने के लिए पचास से सत्तर प्रतिशत मूल के साथ मिलाएँ, जबकि अत्यधिक नारंगी-एम्बर को हटाएँ जो दृश्य को रचनात्मक विकल्प के बजाय व्हाइट बैलेंस त्रुटि जैसा बनाता है। प्रभावी-रंग वाले विषयों के लिए, विषय को विश्लेषण क्षेत्र से मैन्युअल रूप से बाहर करें ताकि एल्गोरिद्म अपनी तटस्थ पहचान पृष्ठभूमि और द्वितीयक तत्वों पर आधारित करे।
- एकल-स्रोत कास्ट एक-क्लिक ऑटोमैटिक AI व्हाइट बैलेंस पर प्रतिक्रिया देते हैं, जो तटस्थ सतहों की पहचान करता है और उन्हें अवर्णी बनाने के लिए सटीक तापमान और टिंट बदलाव की गणना करता है।
- AI दोनों अक्षों को एक साथ ठीक करता है — नीला-एम्बर वर्णक्रम के लिए तापमान और हरा-मैजेंटा वर्णक्रम के लिए टिंट — प्रत्येक प्रकाश स्रोत प्रकार के विशिष्ट सुधार प्रोफाइल से मेल खाते हुए।
- जानबूझकर गर्म दृश्यों को रचनात्मक गर्मी बनाए रखने के लिए कम तीव्रता (पचास से सत्तर प्रतिशत मिश्रण) पर ठीक किया जाना चाहिए, जबकि तकनीकी त्रुटि के रूप में पढ़े जाने वाले अत्यधिक कास्ट को हटाना चाहिए।
- प्रभावी-रंग वाले विषय तटस्थ पहचान को पक्षपाती कर सकते हैं — उन्हें विश्लेषण क्षेत्र से बाहर करें ताकि एल्गोरिद्म सुधार को पृष्ठभूमि के तटस्थ रंगों पर आधारित करे।
क्षेत्रीय AI समायोजनों के साथ उन्नत मिश्रित-प्रकाश सुधार
मिश्रित प्रकाश व्यवस्था वह मुख्य परिदृश्य है जहाँ AI color correction मैन्युअल टूल्स के लिए अव्यावहारिक मूल्य प्रदान करता है। एक सामान्य रियल एस्टेट फ़ोटोग्राफ़ी स्थिति पर विचार करें: रसोई में बाईं ओर खिड़की से दिन का उजाला, ऊपर रिसेस्ड हैलोजन डाउनलाइट्स और अंडर-कैबिनेट फ्लोरोसेंट टास्क लाइटिंग है। काउंटर का दिन के उजाले वाला भाग तटस्थ दिखता है, हैलोजन-रोशनी वाला केंद्र गर्म एम्बर दिखता है, और फ्लोरोसेंट-रोशनी वाला बैकस्प्लैश हरा-पीला दिखता है। एक वैश्विक व्हाइट बैलेंस सुधार जो केंद्र को ठीक करता है, खिड़की के भाग को नीला और बैकस्प्लैश को और भी अधिक हरा बना देता है। जिसकी आवश्यकता है वह है तीन अलग-अलग सुधार तीन अलग-अलग क्षेत्रों पर लागू, उनके बीच सहज संक्रमण के साथ। AI इन क्षेत्रों को दृश्य ज्यामिति और प्रकाश वितरण से स्वचालित रूप से पहचान सकता है।
Magic Eraser में क्षेत्रीय सुधार कार्यप्रवाह अपनी ज़ोन पहचान क्षमता के साथ AI Enhance का उपयोग करता है। टूल स्वचालित रूप से छवि को सुसंगत कलर कास्ट वाले क्षेत्रों में विभाजित करता है, प्राकृतिक किनारों पर सीमाएँ खींचता है (जहाँ दीवारें छतों से मिलती हैं, जहाँ छाया संक्रमण विभिन्न प्रकाश स्रोतों का संकेत देते हैं, जहाँ सतह सामग्री में बदलाव विभिन्न परावर्तन विशेषताओं का सुझाव देता है), और प्रत्येक ज़ोन पर स्वतंत्र व्हाइट बैलेंस सुधार लागू करता है। सुधारों को प्राकृतिक प्रकाश फॉलऑफ़ का अनुसरण करने वाले ग्रेडिएंट मास्क का उपयोग करके सीमाओं पर फेदर किया जाता है, जो कठोर सुधार किनारों को दिखाने के बजाय भौतिक रूप से संभावित संक्रमण उत्पन्न करते हैं। तीन प्रकाश स्रोतों वाले एक सामान्य रियल एस्टेट इंटीरियर के लिए, यह ज़ोन सुधार प्रक्रिया लगभग दस सेकंड लेती है, जबकि पारंपरिक संपादन सॉफ़्टवेयर में मैन्युअल रूप से मास्क बनाने, किनारों को फेदर करने और प्रत्येक ज़ोन को अलग समायोजित करने में पाँच से दस मिनट लगते हैं।
शादी और इवेंट फ़ोटोग्राफ़ी सबसे चरम मिश्रित-प्रकाश चुनौतियाँ प्रस्तुत करती है क्योंकि प्रकाश की स्थितियाँ फ्रेम दर फ्रेम और यहाँ तक कि एक ही फ्रेम के भीतर बदलती रहती हैं। एक समारोह में रंगीन कांच की खिड़की की रोशनी, ऊपर के झूमर और फ़ोटोग्राफ़र के फ्लैश का संयोजन हो सकता है। एक रिसेप्शन में DJ के रंगीन अपलाइट्स, टेबल मोमबत्तियाँ, ऊपर के फ्लोरोसेंट और कभी-कभी फ्लैश शामिल होते हैं। AI correction इन परिदृश्यों को प्रत्येक छवि को अपने आप संसाधित करके संभालता है, प्रत्येक फ्रेम में अद्वितीय प्रकाश मिश्रण का पता लगाता है और सही क्षेत्रीय सुधार लागू करता है, बिना फ़ोटोग्राफ़र को प्रत्येक छवि का मैन्युअल निदान और समाधान करना पड़े। लगातार बदलती रंगीन अपलाइट्स के तहत चार घंटे में ली गई पाँच सौ रिसेप्शन फ़ोटो के बैच के लिए, क्षेत्रीय सुधार के साथ AI batch processing मिनटों में साफ, तटस्थ परिणाम उत्पन्न कर सकता है, जबकि अन्यथा दिनों का मैन्युअल सुधार कार्य आवश्यक होता।
- मिश्रित प्रकाश व्यवस्था के लिए क्षेत्र-विशिष्ट सुधार की आवश्यकता होती है — AI ज़ोन पहचान सुसंगत कलर कास्ट वाले क्षेत्रों की पहचान करता है और प्राकृतिक सीमाओं पर फेदर किए गए संक्रमणों के साथ स्वतंत्र व्हाइट बैलेंस बदलाव लागू करता है।
- दिन के उजाले, हैलोजन और फ्लोरोसेंट स्रोतों वाले रियल एस्टेट इंटीरियर को दस सेकंड में तीन-ज़ोन सुधार मिलता है, बनाम मैन्युअल मास्किंग और प्रति-ज़ोन स्लाइडर समायोजन के पाँच से दस मिनट।
- लगातार बदलती रंगीन अपलाइट्स, मोमबत्तियों और फ्लैश वाली शादी और इवेंट फ़ोटो को AI batch processing से लाभ होता है जो प्रत्येक फ्रेम की अद्वितीय प्रकाश मिश्रण का स्वतंत्र रूप से निदान और सुधार करता है।
- सुधार सीमाएँ प्राकृतिक दृश्य किनारों (दीवार-छत जंक्शन, छाया संक्रमण, सामग्री परिवर्तन) का अनुसरण करती हैं ताकि परिणाम दृश्य सुधार सीम के बिना भौतिक रूप से संभावित दिखे।
तकनीकी रंग त्रुटियों को हटाते हुए रचनात्मक इरादे को संरक्षित करना
फ़ोटोग्राफ़ में हर रंग बदलाव त्रुटि नहीं होता। गोल्डन आवर की रोशनी एक गर्म कास्ट उत्पन्न करती है जो फ़ोटोग्राफ़रों के उस समय शूट करने का पूरा कारण है। नीयन संकेत रंगीन प्रतिबिंब बनाते हैं जो स्ट्रीट फ़ोटोग्राफ़ी में वातावरण जोड़ते हैं। रंगीन कांच की खिड़कियाँ चर्च इंटीरियर पर रंगीन प्रकाश डालती हैं जो एक कहानी बताते हैं। ब्लू आवर की गोधूलि एक ठंडा पैलेट बनाती है जो एक विशिष्ट मूड साझा करती है। कलर कास्ट सुधार में चुनौती अवांछित तकनीकी त्रुटियों (कॉर्पोरेट हेडशॉट पर फ्लोरोसेंट हरा टिंट) और वांछित रचनात्मक रंग (रेस्तरां के एडिसन बल्ब का गर्म एम्बर ग्लो) के बीच अंतर करना है। AI correction टूल जो आक्रामक रूप से सब कुछ तटस्थ करते हैं, त्रुटियों के साथ-साथ रचनात्मक रंग को भी छीन सकते हैं, जिससे तकनीकी रूप से सही लेकिन भावनात्मक रूप से सपाट परिणाम उत्पन्न होते हैं।
समाधान जानबूझकर आंशिक सुधार है — दृश्य में सभी रंग बदलावों की पहचान और मात्रा निर्धारित करने के लिए AI की नैदानिक शक्ति का उपयोग करना, फिर इस आधार पर चयनात्मक रूप से सुधार लागू करना कि कौन से बदलाव छवि की सेवा करते हैं और कौन से नहीं। एक रेस्तरां इंटीरियर फ़ोटो के लिए, आप एडिसन बल्बों की गर्म परिवेशी चमक को संरक्षित करना चाह सकते हैं जबकि पृष्ठभूमि में फैल रही फ्लोरोसेंट रसोई की रोशनी से हरे टिंट को हटाना चाह सकते हैं। AI इन्हें क्षेत्र के अनुसार अलग कर सकता है: फ्लोरोसेंट-दूषित क्षेत्रों पर पूर्ण सुधार लागू करें जबकि टंगस्टन-रोशनी वाले क्षेत्रों को असंशोधित या केवल आंशिक रूप से संशोधित छोड़ दें। यह चयनात्मक दृष्टिकोण रेस्तरां को आकर्षक बनाने वाले वातावरण को बनाए रखता है जबकि अनाकर्षक हरे रंग को हटाता है जो भोजन को बेस्वाद दिखाता है।
त्वचा टोन संरक्षण रचनात्मक-इरादे-जागरूक सुधार का सबसे महत्वपूर्ण पहलू है। भले ही आप पर्यावरणीय रंग को संरक्षित रखना चाहते हों — आराम के लिए गर्म टंगस्टन, मूडीनेस के लिए नीली गोधूलि — आप लगभग कभी नहीं चाहते कि वह रंग त्वचा टोन को इस हद तक दूषित करे कि लोग अस्वस्थ दिखें। अनुशंसित दृष्टिकोण यह है कि त्वचा टोन को पर्यावरणीय सुधार रणनीति की परवाह किए बिना तटस्थ-स्वस्थ स्थिति में ठीक किया जाए, फिर पर्यावरणीय कास्ट को पृष्ठभूमियों, सतहों और गैर-त्वचा तत्वों में बने रहने दिया जाए। AI subject detection स्वचालित रूप से त्वचा को अलग कर सकता है, केवल उन क्षेत्रों पर पूर्ण तटस्थ सुधार लागू कर सकता है, और शेष छवि को आपके इच्छित रचनात्मक रंग संतुलन पर छोड़ सकता है। यह दोनों दुनियाओं में सर्वश्रेष्ठ उत्पन्न करता है: वातावरणीय रूप से समृद्ध सेटिंग जिसमें प्राकृतिक रूप से स्वस्थ दिखने वाले लोग रह रहे हैं।
- सभी रंग बदलाव त्रुटियाँ नहीं हैं — गोल्डन आवर की गर्मी, नीयन प्रतिबिंब और ब्लू आवर के ठंडे टोन रचनात्मक विकल्प हैं जिन्हें आक्रामक तटस्थ सुधार नष्ट कर सकता है, जिससे छवि भावनात्मक रूप से सपाट हो जाती है।
- आंशिक सुधार AI निदान का उपयोग करके सभी रंग बदलावों की पहचान करता है, फिर केवल अवांछित कास्ट पर सुधार लागू करता है जबकि अन्य क्षेत्रों में वांछित वातावरणीय रंग को संरक्षित रखता है।
- त्वचा टोन को पर्यावरणीय इरादे की परवाह किए बिना तटस्थ-स्वस्थ ठीक किया जाना चाहिए। AI subject detection त्वचा को अलग करता है और पृष्ठभूमि और सतहों में मूड रंग छोड़ते हुए पूर्ण सुधार लागू करता है।
- लक्ष्य तकनीकी त्रुटि को रचनात्मक इरादे से अलग करना है: भोजन पर फ्लोरोसेंट हरे रंग को हटाएँ जबकि गर्म एडिसन ग्लो को संरक्षित रखें जो रेस्तरां को आकर्षक बनाता है।
स्रोत
- Computational Color Constancy: Survey and Experiments — IEEE Transactions on Image Processing
- Color Temperature and White Balance in Digital Photography — ACM SIGGRAPH
- Deep White-Balance Editing for Consistent and Accurate Color Reproduction — arXiv