Tổng quan nghiên cứu

Trong lĩnh vực kỹ thuật truyền thông và xử lý ảnh, việc cân bằng giữa tốc độ nén (rate), sai số tái tạo (distortion) và chất lượng nhận thức (perception) là một thách thức lớn. Theo ước tính, các phương pháp nén ảnh truyền thống như JPEG, JPEG 2000 hay BPG tập trung chủ yếu vào việc giảm sai số tái tạo mà chưa tối ưu hóa đồng thời chất lượng nhận thức, dẫn đến ảnh nén có thể bị mờ hoặc mất chi tiết quan trọng. Luận văn thạc sĩ này tập trung nghiên cứu tradeoff giữa rate-distortion và classification performance, nhằm cải thiện hiệu suất phân loại ảnh sau khi nén, đặc biệt trong bối cảnh sử dụng các mô hình học sâu như Wasserstein Generative Adversarial Networks (WGANs).

Mục tiêu cụ thể của nghiên cứu là phát triển một mô hình mã hóa ảnh tích hợp hàm mất mát dựa trên phân phối các hệ số biến đổi Haar 2 chiều, từ đó tối ưu hóa đồng thời sai số tái tạo, chất lượng nhận thức và hiệu suất phân loại. Phạm vi nghiên cứu áp dụng trên bộ dữ liệu MNIST gồm 80.000 ảnh chữ số viết tay, với các thí nghiệm được thực hiện tại Pháp và Việt Nam trong năm 2023-2024. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao chất lượng ảnh nén phục vụ các tác vụ nhận dạng và phân loại, góp phần thúc đẩy ứng dụng trong truyền thông số và xử lý ảnh y tế, an ninh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết về tradeoff rate-distortion-perception được đề xuất bởi Blau và Michaeli (2018, 2019), trong đó mở rộng mô hình truyền thống bằng cách đưa vào chỉ số nhận thức dựa trên khoảng cách Wasserstein giữa phân phối ảnh gốc và ảnh tái tạo. Các khái niệm chính bao gồm:

  • Rate (tốc độ mã hóa): Số bit trung bình cần thiết để mã hóa một ảnh, được đo trong không gian latent của mô hình học sâu.
  • Distortion (sai số tái tạo): Đo lường sự khác biệt giữa ảnh gốc và ảnh tái tạo, thường dùng Mean Squared Error (MSE).
  • Perception (chất lượng nhận thức): Đánh giá mức độ tự nhiên và chân thực của ảnh tái tạo dựa trên phân phối thống kê, sử dụng khoảng cách Wasserstein.
  • Haar Transform 2D: Phương pháp biến đổi tín hiệu giúp phân tách ảnh thành các thành phần tần số thấp và cao, hỗ trợ phân tích đa độ phân giải.
  • Wasserstein GAN (WGAN): Mô hình học sâu tạo ảnh với hàm mất mát dựa trên khoảng cách Wasserstein, cải thiện độ ổn định và chất lượng ảnh sinh ra.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ MNIST gồm 60.000 ảnh huấn luyện, 5.000 ảnh kiểm định và 5.000 ảnh kiểm thử, mỗi ảnh kích thước 28x28 pixel, độ sâu 8-bit. Dữ liệu được tiền xử lý bằng biến đổi Haar 2D để tách thành 4 thành phần con: LL, LH, HL, HH.

Mô hình WGAN được xây dựng với kiến trúc encoder-decoder cho generator và mạng phân biệt discriminator, trong đó discriminator được chia thành 4 nhánh riêng biệt xử lý từng thành phần Haar. Phương pháp phân tích bao gồm:

  • Tính toán entropy và rate trong không gian latent.
  • Đánh giá distortion bằng MSE và chuyển đổi sang dB.
  • Đo lường perception qua khoảng cách Wasserstein giữa phân phối các hệ số Haar của ảnh gốc và ảnh tái tạo.
  • Huấn luyện mô hình với thuật toán Adam, sử dụng gradient penalty để đảm bảo tính liên tục Lipschitz.
  • Đánh giá hiệu suất phân loại bằng mạng CNN với hàm mất mát cross-entropy.
  • So sánh kết quả phân loại trên ảnh gốc, ảnh tái tạo truyền thống, ảnh tái tạo với deep feature và ảnh tái tạo sử dụng mô hình Haar-WGAN.

Thời gian nghiên cứu kéo dài 25 epoch, kích thước batch 64, thực hiện trên GPU NVIDIA V100.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Ảnh tái tạo với tradeoff distortion và perception cải thiện rõ rệt chất lượng nhận thức: Ở bit-rate 16.000 bit-per-digit, ảnh tái tạo giữ được nét chữ rõ ràng hơn so với chỉ tối ưu distortion, giảm mờ và nhiễu (hình minh họa so sánh các mức bit-rate).

  2. Đo lường distortion và perception trên 5.000 ảnh kiểm thử: Với bit-rate tăng từ 2.000 đến 16.000, distortion giảm từ khoảng -12.44 dB xuống -2.68 dB (chỉ distortion), perception cải thiện từ 0.89 lên gần 1. Trong khi đó, kết hợp distortion và perception cho thấy distortion cao hơn và perception thấp hơn, phản ánh sự đánh đổi giữa hai yếu tố.

  3. Hiệu suất phân loại ảnh tái tạo: Mô hình CNN đạt độ chính xác cao trên ảnh gốc (>98%), giảm nhẹ trên ảnh tái tạo truyền thống (~95%), và được cải thiện đáng kể khi sử dụng mô hình Haar-WGAN với 4 discriminator riêng biệt, đặc biệt khi tập trung vào các thành phần tần số cao (LH, HL, HH).

  4. Ảnh hưởng của biến đổi Haar: Việc tách ảnh thành các thành phần tần số giúp mô hình giữ lại các đặc trưng biên và kết cấu quan trọng, từ đó nâng cao khả năng phân loại và giảm mất mát thông tin so với phương pháp nén truyền thống.

Thảo luận kết quả

Kết quả cho thấy việc tích hợp hàm mất mát dựa trên phân phối các hệ số Haar trong WGAN giúp mô hình tái tạo ảnh không chỉ giảm sai số tái tạo mà còn duy trì đặc trưng phân loại. Điều này phù hợp với lý thuyết tradeoff rate-distortion-perception, trong đó việc cân bằng giữa các yếu tố này là cần thiết để tối ưu hóa hiệu suất thực tế.

So với các nghiên cứu trước đây chỉ tập trung vào distortion hoặc perception riêng lẻ, nghiên cứu này mở rộng bằng cách đưa vào tiêu chí phân loại, giúp ảnh tái tạo phục vụ tốt hơn cho các tác vụ nhận dạng tự động. Việc sử dụng mạng CNN và deep feature pre-trained cũng góp phần nâng cao khả năng nhận dạng, đặc biệt khi ảnh bị biến dạng do nén.

Dữ liệu có thể được trình bày qua biểu đồ so sánh distortion và perception theo bit-rate, bảng kết quả phân loại với các phương pháp khác nhau, và đồ thị ROC thể hiện hiệu suất phân loại.

Đề xuất và khuyến nghị

  1. Tối ưu hóa trọng số hàm mất mát cho từng thành phần Haar: Tăng trọng số cho các thành phần tần số cao (LH, HL, HH) nhằm giữ lại đặc trưng biên và kết cấu, nâng cao hiệu suất phân loại trong vòng 6 tháng, do nhóm nghiên cứu phát triển mô hình thực hiện.

  2. Mở rộng áp dụng mô hình cho các bộ dữ liệu ảnh phức tạp hơn: Thử nghiệm trên các bộ dữ liệu ảnh y tế, an ninh để đánh giá tính tổng quát và hiệu quả của mô hình trong 1 năm, phối hợp với các trung tâm nghiên cứu chuyên ngành.

  3. Phát triển công cụ mã hóa ảnh tích hợp phân loại: Xây dựng phần mềm mã hóa ảnh có khả năng tối ưu tradeoff rate-distortion-classification, hỗ trợ các ứng dụng truyền thông số, dự kiến hoàn thành trong 18 tháng, do nhóm kỹ sư phần mềm thực hiện.

  4. Nâng cao khả năng huấn luyện và tối ưu mô hình WGAN: Áp dụng các kỹ thuật học sâu mới như attention mechanism, self-supervised learning để cải thiện chất lượng ảnh tái tạo và phân loại, trong vòng 2 năm, phối hợp với các chuyên gia AI.

Đối tượng nên tham khảo luận văn

  1. Nhà nghiên cứu và sinh viên ngành kỹ thuật truyền thông, xử lý ảnh: Nắm bắt kiến thức về tradeoff rate-distortion-perception và ứng dụng WGAN trong nén ảnh.

  2. Kỹ sư phát triển hệ thống mã hóa ảnh và video: Áp dụng mô hình mới để cải thiện chất lượng ảnh nén phục vụ các ứng dụng thực tế.

  3. Chuyên gia AI và học máy: Tham khảo cách tích hợp mô hình GAN với biến đổi Haar để nâng cao hiệu suất phân loại ảnh.

  4. Doanh nghiệp công nghệ truyền thông số: Ứng dụng nghiên cứu để phát triển sản phẩm mã hóa ảnh, truyền tải dữ liệu hiệu quả, giảm băng thông mà vẫn giữ chất lượng nhận thức cao.

Câu hỏi thường gặp

  1. Tại sao cần cân bằng giữa rate, distortion và perception?
    Việc chỉ tối ưu một yếu tố như giảm sai số tái tạo (distortion) có thể làm giảm chất lượng nhận thức (perception), ảnh hưởng đến trải nghiệm người dùng và hiệu suất các tác vụ như phân loại ảnh. Cân bằng giúp đạt hiệu quả tổng thể tốt hơn.

  2. Haar transform giúp gì trong nén ảnh?
    Haar transform phân tách ảnh thành các thành phần tần số thấp và cao, giúp mô hình tập trung giữ lại các đặc trưng quan trọng như biên và kết cấu, từ đó nâng cao chất lượng ảnh tái tạo và khả năng phân loại.

  3. Wasserstein GAN khác gì so với GAN truyền thống?
    WGAN sử dụng khoảng cách Wasserstein làm hàm mất mát, giúp cải thiện độ ổn định huấn luyện, tránh hiện tượng mode collapse và cho phép đánh giá chất lượng ảnh sinh ra một cách trực quan hơn.

  4. Làm thế nào để đánh giá hiệu suất phân loại ảnh tái tạo?
    Sử dụng các chỉ số như accuracy, precision, recall, F1-score và AUC-ROC trên bộ dữ liệu kiểm thử, so sánh với ảnh gốc và các phương pháp nén khác để đánh giá mức độ giữ lại thông tin phân loại.

  5. Mô hình có thể áp dụng cho các loại ảnh khác ngoài MNIST không?
    Có thể, tuy nhiên cần điều chỉnh kiến trúc và tham số phù hợp với đặc điểm dữ liệu mới. Nghiên cứu tiếp theo sẽ mở rộng thử nghiệm trên các bộ dữ liệu phức tạp hơn như ảnh y tế hoặc ảnh tự nhiên.

Kết luận

  • Luận văn đã mở rộng mô hình tradeoff rate-distortion-perception bằng cách tích hợp tiêu chí phân loại, sử dụng biến đổi Haar 2D và WGAN để nâng cao hiệu suất phân loại ảnh nén.
  • Kết quả thực nghiệm trên bộ MNIST cho thấy mô hình Haar-WGAN cải thiện rõ rệt chất lượng nhận thức và độ chính xác phân loại so với các phương pháp truyền thống.
  • Phương pháp phân tách ảnh thành các thành phần tần số giúp giữ lại đặc trưng quan trọng, hỗ trợ các tác vụ nhận dạng hiệu quả hơn.
  • Nghiên cứu góp phần thúc đẩy sự kết hợp giữa kỹ thuật nén ảnh truyền thống và học sâu hiện đại, mở ra hướng phát triển mới cho các ứng dụng truyền thông số.
  • Các bước tiếp theo bao gồm mở rộng thử nghiệm trên bộ dữ liệu đa dạng, tối ưu mô hình và phát triển công cụ mã hóa ảnh tích hợp phân loại phục vụ thực tiễn.

Khuyến nghị các nhà nghiên cứu và kỹ sư trong lĩnh vực truyền thông số và học máy áp dụng và phát triển thêm mô hình này để nâng cao hiệu quả xử lý ảnh trong các ứng dụng thực tế.