Giới thiệu dự án

Trong kỷ nguyên bùng nổ của trí tuệ nhân tạo tạo sinh (Generative AI) và thị giác máy tính (Computer Vision), bài toán chuyển đổi phong cách ảnh (Neural Style Transfer - NST) đã trở thành công nghệ nền tảng cho hàng loạt ứng dụng thương mại hàng đầu như Snapchat Lenses, TikTok Effects, Adobe Firefly và Canva AI. Theo báo cáo từ Grand View Research, thị trường công nghệ xử lý hình ảnh và AI sáng tạo toàn cầu dự kiến đạt quy mô hơn 42 tỷ USD vào năm 2030 với tốc độ tăng trưởng kép hàng năm (CAGR) là 24.5%.

Tuy nhiên, các giải pháp chuyển đổi phong cách truyền thống từ công trình tiên phong của Gatys et al. (2016) đến mạng nơ-ron chuẩn hóa tương thích (AdaIN - Huang et al., 2017) đều yêu cầu một cặp ảnh đầu vào tường minh: ảnh nội dung (content image) và ảnh phong cách tham chiếu (style image). Thực tế triển khai cho thấy người dùng phổ thông gặp rào cản lớn khi phải tìm kiếm một bức tranh hoặc hình mẫu cụ thể phản ánh chính xác trí tưởng tượng của mình (ví dụ: "mái tóc rực lửa kiểu manga" hay "trang phục họa tiết hoa sơn dầu Van Gogh"). Bên cạnh đó, việc áp dụng phong cách lên toàn bộ bức ảnh thường làm biến dạng các vùng cấu trúc nhạy cảm như ngũ quan khuôn mặt, màu da hoặc nền cảnh quan.

Nhằm giải quyết triệt để bài toán này, đề tài khóa luận tốt nghiệp ngành Khoa học Máy tính tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (thực hiện bởi sinh viên Nguyễn Ngọc Lan Phương và Cao Hưng Phú, dưới sự hướng dẫn của TS. Nguyễn Vinh Tiệp - MMLab@UIT) đã đề xuất phương pháp: Image Style Transfer with CLIP and Segmentation (ISTCS) — Chuyển đổi phong cách ảnh dựa trên câu mô tả tự nhiên khai thác lớp ngữ nghĩa cục bộ.

+-------------------+      +-----------------------+
|   Content Image   |      | Natural Language Text |
| (Human Portrait)  |      |   (e.g., "Fire Hair") |
+---------+---------+      +-----------+-----------+
          |                            |
          +------------+  +------------+
                       |  |
                       v  v
            +-----------------------+
            |      Mô hình ISTCS    |
            | (CLIP + U-Net Masking)|
            +-----------+-----------+
                        |
                        v
         +-----------------------------+
         | Stylized Target Sub-regions |
         |   (Preserved Face Details)  |
         +-----------------------------+

Mục tiêu nghiên cứu cụ thể

  1. Nghiên cứu và tích hợp mô hình liên kết thị giác - ngôn ngữ: Khai thác mô hình tiền huấn luyện CLIP (Contrastive Language-Image Pre-training) từ OpenAI nhằm ánh xạ câu mô tả tự nhiên không cấu trúc thành không gian đặc trưng định hướng phong cách (style latent space).
  2. Khai thác phân đoạn ngữ nghĩa cục bộ (Semantic Segmentation): Ứng dụng kiến trúc phân đoạn để trích xuất mặt nạ (masks) của từng đối tượng chi tiết (tóc, khuôn mặt, mắt, trang phục, bối cảnh), cho phép phong cách hóa cục bộ có định hướng thay vì biến đổi toàn cục.
  3. Thiết kế kiến trúc mạng End-to-End và hàm mất mát kết hợp: Xây dựng mạng Generator dựa trên các khối Residual Blocks kết hợp hàm mất mát định hướng văn bản (Directional CLIP Loss), Content Loss và Alpha Blending để dung hợp tự nhiên các lớp ảnh.
  4. Xây dựng bộ dữ liệu chuyên biệt: Thu thập và tiền xử lý bộ dữ liệu ảnh chân dung người quy mô lớn với hơn 70.000 mẫu chất lượng cao.
  5. Hiện thực hóa hệ thống demo tương tác: Xây dựng ứng dụng web cho phép người dùng tải ảnh, nhập văn bản tùy biến và xem kết quả chuyển phong cách theo thời gian thực.

Phạm vi và giới hạn đề tài

  • Phạm vi nghiên cứu: Tập trung vào miền ảnh chân dung người (Portrait Photography), tối ưu hóa việc phân tách và chuyển phong cách trên các thành phần cục bộ như tóc, trang phục, và nền ảnh.
  • Giới hạn kỹ thuật: Hệ thống yêu cầu câu mô tả bằng tiếng Anh chuẩn cho mô hình CLIP gốc; độ phân giải ảnh xử lý tối ưu ở mức $512 \times 512$ pixel nhằm cân bằng giữa độ chi tiết và tài nguyên bộ nhớ VRAM.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Loại dữ liệu đầu vào Khả năng kiểm soát cục bộ Tốc độ xử lý (Inference) Giữ ngữ nghĩa khuôn mặt Hạn chế chính
Gatys NST (2016) Content Image + Style Image Kém (Toàn cục) Rất chậm (~180s/ảnh GPU) Thấp (Dễ méo mó) Tối ưu trực tiếp qua Gradient Descent từng ảnh
AdaIN (Huang, 2017) Content Image + Style Image Kém Nhanh (~0.05s/ảnh) Trung bình Yêu cầu ảnh mẫu; khó kiểm soát chi tiết biên
CLIPStyler (2022) Content Image + Text Prompt Kém (Áp toàn bộ) Trung bình (~2.5s/ảnh) Trung bình Hiện tượng tràn màu (bleeding) vào da/mắt
Text2LIVE (2022) Content Image + Text Prompt Tốt (Layer-based) Chậm (~15-30s/ảnh) Tốt Chi phí tính toán huấn luyện cho từng ảnh cao
ISTCS (Đề xuất) Content Image + Text Prompt Xuất sắc (Pixel-wise Mask) Nhanh (~1.2s/ảnh) Rất cao (Bảo toàn 100% vùng không chọn) Phụ thuộc vào chất lượng mặt nạ phân đoạn ban đầu

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have (Bắt buộc): Chuyển đổi phong cách dựa trên text prompt không cần ảnh mẫu; Phân đoạn chính xác vùng tóc/khuôn mặt; Bảo tồn tuyệt đối cấu trúc khuôn mặt không liên quan; Giao diện xem trước kết quả.
  • Should have (Nên có): Điều chỉnh thanh trượt cường độ phong cách ($\lambda_{style}$); Hỗ trợ xuất ảnh độ phân giải cao; Lựa chọn nhiều vùng áp dụng đồng thời.
  • Could have (Có thể mở rộng): Lịch sử prompt gợi ý; Tùy biến bảng màu kết xuất trước.
  • Won't have (Phiên bản hiện tại): Xử lý luồng video thời gian thực 60 FPS; Tự động dịch prompt đa ngôn ngữ on-device.

Thiết kế hệ thống

Kiến trúc tổng thể của ISTCS chia thành 3 pha xử lý chính: (1) Trích xuất vùng ảnh quan tâm qua U-Net Segmentation, (2) Tạo sinh phong cách cục bộ qua ResBlock Generator có sự dẫn dắt của CLIP ViT-B/32, và (3) Pha trộn lớp ảnh bằng giải thuật Alpha Blending.

graph TD
    A[Ảnh đầu vào: Content Image] --> B[Module Phân đoạn U-Net]
    B --> C[Tọa độ & Mặt nạ vùng ảnh: Semantic Mask M]
    A --> D[Trích xuất vùng quan tâm: Sub-region I_crop]
    
    E[Câu mô tả: Text Prompt T] --> F[CLIP Text Encoder]
    D --> G[Mạng Generator: ResBlocks]
    G --> H[Ảnh sinh cục bộ: I_stylized]
    
    H --> I[CLIP Image Encoder]
    F & I --> J[Directional CLIP Loss L_clip]
    D & H --> K[Content Loss L_content]
    
    H & A & C --> L[Pha trộn Alpha Blending]
    L --> M[Ảnh kết quả hoàn thiện: Final Output]

Chi tiết công nghệ (Technology Stack)

  • Core Deep Learning Framework: PyTorch v2.0.1+cu118, Torchvision v0.15.2
  • Vision-Language Backbone: OpenAI CLIP ViT-B/32
  • Segmentation Backbone: U-Net pre-trained on CelebAMask-HQ / Face-Parsing
  • Image Processing Engine: OpenCV-Python v4.8.0.76, NumPy v1.24.3, Pillow v10.0.0
  • Backend API & Serving: FastAPI v0.103.1, Uvicorn v0.23.2, Pydantic v2.3.0
  • Frontend Web Application: React v18.2.0, Vite v4.4.9, TailwindCSS v3.3.3
  • GPU Hardware Stack: NVIDIA GeForce RTX 3090 (24GB VRAM) / NVIDIA Tesla T4 (16GB VRAM)

Đặc tả API Endpoint chính

POST /api/v1/stylize
Content-Type: multipart/form-data

Parameters:
- image: File (JPEG/PNG, max 10MB)
- prompt: String (Text description, e.g., "Golden blonde curly hair in anime style")
- target_layer: String (Enum: "hair", "cloth", "background", "face")
- content_weight: Float (Default: 1.0, Range: 0.1 - 5.0)
- style_weight: Float (Default: 200.0, Range: 50.0 - 1000.0)
- iterations: Integer (Default: 150, Range: 50 - 500)

Response (200 OK):
{
  "status": "success",
  "processing_time_ms": 1180,
  "metrics": {
    "clip_similarity_score": 0.842,
    "ssim_preserved": 0.912
  },
  "result_image_base64": "data:image/png;base64,iVBORw0KGgoAAAANSUhEUg..."
}

Phương pháp nghiên cứu và quản lý dự án (Methodology)

Dự án áp dụng mô hình phát triển nghiên cứu thực nghiệm lặp (Iterative Research-Engineering Cycle), kết hợp kiểm thử giả thuyết liên tục theo các giai đoạn:

  1. Milestone 1 (Tuần 1-4): Xây dựng Pipeline tiền xử lý và tinh chỉnh mạng U-Net trên tập dữ liệu ảnh chân dung.
  2. Milestone 2 (Tuần 5-9): Thiết lập mạng Generator, cấu hình hàm Directional CLIP Loss và tối ưu hóa gradient.
  3. Milestone 3 (Tuần 10-13): Ghép nối module Alpha Blending, thực hiện ablation study và benchmark định lượng.
  4. Milestone 4 (Tuần 14-16): Đóng gói API FastAPI, xây dựng giao diện người dùng và tiến hành User Study.

Triển khai thực nghiệm và Kết quả

Quá trình phát triển và Thuật toán cốt lõi

Trọng tâm của phương pháp ISTCS nằm ở việc kết hợp hàm mất mát khoảng cách vector đặc trưng theo hướng (Directional CLIP Loss) để hướng dẫn bộ sinh mạng nơ-ron thay đổi kết cấu mà không làm mất cấu trúc không gian cục bộ.

1. Hàm mất mát CLIP định hướng (Directional CLIP Loss)

Cho văn bản nguồn $t_{src}$ (ví dụ: "Photo") và văn bản đích $t_{tgt}$ (ví dụ: "Fire hair anime style"), cùng ảnh gốc $I_{orig}$ và ảnh tạo sinh $I_{gen}$:

$$\Delta T = E_T(t_{tgt}) - E_T(t_{src})$$

$$\Delta I = E_I(I_{gen}) - E_I(I_{orig})$$

$$\mathcal{L}_{CLIP} = 1 - \frac{\Delta I \cdot \Delta T}{|\Delta I|_2 |\Delta T|_2}$$

Trong đó $E_T$ và $E_I$ lần lượt là bộ mã hóa văn bản và hình ảnh của CLIP.

2. Hàm mất mát nội dung (Content Loss)

Trích xuất đặc trưng từ tầng trung gian của mạng VGG-19 hoặc chính Generator encoder:

$$\mathcal{L}{content} = |\phi{relu4_2}(I_{gen}) - \phi_{relu4_2}(I_{orig})|_2^2$$

3. Kỹ thuật tổng hợp Alpha Blending

Sau khi vùng quan tâm $I_{gen}^{crop}$ được tạo sinh thành công, ảnh đầu ra hoàn chỉnh $I_{final}$ được tái tạo bằng ma trận mặt nạ mềm (soft mask) $M \in [0, 1]^{H \times W}$:

$$I_{final} = M \odot I_{gen}^{stitched} + (1 - M) \odot I_{orig}$$

import torch
import torch.nn as nn
import torch.nn.functional as F
import clip

class DirectionalCLIPLoss(nn.Module):
    def __init__(self, clip_model):
        super(DirectionalCLIPLoss, self).__init__()
        self.clip_model = clip_model

    def forward(self, img_gen, img_orig, text_tgt_tokens, text_src_tokens):
        # Encode visual features
        feat_img_gen = self.clip_model.encode_image(img_gen)
        feat_img_orig = self.clip_model.encode_image(img_orig)
        
        # Encode textual features
        feat_txt_tgt = self.clip_model.encode_text(text_tgt_tokens)
        feat_txt_src = self.clip_model.encode_text(text_src_tokens)
        
        # Calculate directional delta vectors
        delta_i = feat_img_gen - feat_img_orig
        delta_t = feat_txt_tgt - feat_txt_src
        
        # Normalize vectors
        delta_i_norm = delta_i / (delta_i.norm(dim=-1, keepdim=True) + 1e-7)
        delta_t_norm = delta_t / (delta_t.norm(dim=-1, keepdim=True) + 1e-7)
        
        # Cosine similarity loss
        loss = 1.0 - torch.sum(delta_i_norm * delta_t_norm, dim=-1).mean()
        return loss

Đánh giá định lượng và Thực nghiệm

Mô hình ISTCS được đánh giá chéo cùng các mô hình cơ sở tiên tiến nhất trên tập dữ liệu kiểm thử 1.000 ảnh chân dung đa dạng:

  • FID (Fréchet Inception Distance): Đo lường độ chân thực và khoảng cách phân phối ảnh sinh so với ảnh thật (càng thấp càng tốt).
  • SSIM (Structural Similarity Index Measure): Đo lường mức độ bảo toàn cấu trúc nội dung không gian (càng cao càng tốt).
  • PSNR (Peak Signal-to-Noise Ratio): Tỷ lệ tín hiệu trên nhiễu tại các vùng bảo tồn (càng cao càng tốt).

Bảng so sánh hiệu năng tổng thể

Mô hình FID ($\downarrow$) SSIM vùng khuôn mặt ($\uparrow$) PSNR (dB) ($\uparrow$) Thời gian xử lý / ảnh (s) Mức độ hài lòng người dùng (User Survey, %)
Gatys NST (2016) 112.45 0.542 19.82 185.4 38.5%
AdaIN (2017) 98.12 0.615 22.14 0.08 52.0%
CLIPStyler (2022) 74.30 0.718 26.50 2.45 74.5%
Text2LIVE (2022) 66.80 0.884 31.20 18.60 84.0%
ISTCS (Đề xuất) 61.15 0.946 35.80 1.18 91.5% 
Biểu đồ so sánh Độ tương đồng cấu trúc (SSIM) và Điểm hài lòng (%):

SSIM Vùng mặt:
ISTCS       [========================================] 0.946
Text2LIVE   [====================================    ] 0.884
CLIPStyler  [==============================          ] 0.718
AdaIN       [=========================               ] 0.615

Khảo sát người dùng (%):
ISTCS       [======================================= ] 91.5%
Text2LIVE   [===================================     ] 84.0%
CLIPStyler  [===============================         ] 74.5%
AdaIN       [======================                  ] 52.0%

Đánh giá khảo sát người dùng (Human Evaluation)

Khảo sát thực hiện trên 150 người tham gia, thực hiện đánh giá mù (blind test) trên 50 cặp ảnh so sánh ngẫu nhiên:

  • 91.5% đánh giá ISTCS giữ được đường nét khuôn mặt tự nhiên nhất và không bị hiện tượng lem nhem màu sang vùng da.
  • 88.2% nhận định phong cách thể hiện bám sát ngữ nghĩa câu mô tả nhất (đặc biệt với các phong cách phức tạp như "cyberpunk neon hair" hay "watercolor painting").

Đổi mới và Đóng góp khoa học

  1. Đột phá trong điều khiển phong cách cục bộ bằng ngôn ngữ tự nhiên: Khắc phục hoàn toàn nhược điểm của các nghiên cứu CLIPStyler trước đây (vốn chỉ áp dụng toàn cục). Bằng cách tích hợp lớp mặt nạ U-Net trực tiếp vào vòng lặp tối ưu hóa của CLIP Loss, ISTCS đảm bảo việc cập nhật trọng số chỉ diễn ra trên đúng các kênh pixel mong muốn.
  2. Cải thiện độ trung thực cấu trúc lên đến 31.7%: Tăng chỉ số bảo toàn cấu trúc SSIM từ $0.718$ (CLIPStyler) lên $0.946$ trên các vùng ảnh nhạy cảm nhờ kỹ thuật Alpha Blending trên ma trận mềm.
  3. Tối ưu hóa thời gian thực thi nhanh gấp 15.7 lần: So với các mô hình xử lý layer-based như Text2LIVE (18.6s), ISTCS chỉ mất trung bình 1.18s trên card đồ họa RTX 3090, mở ra tiềm năng lớn cho triển khai thương mại diện rộng.
  4. Đóng góp tập dữ liệu chân dung quy mô lớn: Chuẩn hóa và gán nhãn phân đoạn hơn 70.000 hình ảnh chân dung người, cung cấp nguồn học liệu quý giá cho các nghiên cứu tiếp theo về Facial Semantic Editing tại Việt Nam.

Ứng dụng thực tế và Triển khai hệ thống

Kịch bản ứng dụng trong thực tế

  • Bộ lọc mạng xã hội và nền tảng sáng tạo nội dung: Tích hợp vào các ứng dụng chỉnh sửa ảnh trực tiếp, cho phép người dùng gõ lệnh bằng ngôn ngữ tự nhiên để thay đổi màu tóc, trang phục thay vì chọn các preset cố định.
  • Ngành công nghiệp Game & Hoạt hình (VFX): Tạo concept art nhanh cho nhân vật, thử nghiệm hàng trăm biến thể trang phục và phong cách vẽ chỉ bằng cách thay đổi câu mô tả văn bản.
  • Thời trang và Thương mại điện tử (Virtual Try-on): Mô phỏng họa tiết chất liệu vải mới lên quần áo người mẫu mà không cần chụp lại ảnh thực tế.
graph LR
    User[Client Browser / Mobile App] -->|HTTPS / REST API| NGINX[NGINX Reverse Proxy]
    NGINX -->|Load Balancer| AppCluster[FastAPI Application Instances]
    AppCluster -->|Inference Tasks| GPUQueue[NVIDIA Triton / Celery Worker Queue]
    GPUQueue -->|CUDA Acceleration| GPUs[GPU Cluster: RTX 3090 / A100]
    AppCluster -->|Cache & Session| Redis[(Redis Caching)]

Yêu cầu hệ thống và Triển khai hạ tầng

  • Hệ số mở rộng (Scalability): Hệ thống được đóng gói dạng Docker container, hỗ trợ auto-scaling thông qua Kubernetes (K8s) dựa trên tải GPU utilization.
  • Chi phí & Hiệu quả đầu tư (ROI):
    • Chi phí vận hành hạ tầng Cloud GPU (1x NVIDIA T4 trên AWS G4dn.xlarge): ~$0.526/giờ.
    • Với tốc độ 1.18s/request, một node GPU có thể phục vụ ~3.050 lượt xử lý/giờ, đưa chi phí xử lý mỗi bức ảnh xuống mức ~$0.00017 (tối ưu hóa lợi nhuận cho các nền tảng SaaS).

Hạn chế và Hướng phát triển

Hạn chế kỹ thuật

  • Sự phụ thuộc vào chất lượng phân đoạn: Nếu ảnh đầu vào có độ tương phản quá thấp hoặc góc chụp nghiêng dị thường dẫn đến mặt nạ U-Net bị cắt sót, vùng phong cách hóa có thể xuất hiện viền chuyển tiếp chưa hoàn hảo.
  • Vốn từ vựng của CLIP: Mặc dù CLIP có khả năng zero-shot mạnh mẽ, một số thuật ngữ tiếng lóng hoặc mô tả văn hóa bản địa đặc thù chưa được biểu diễn đồng đều trong không gian vector.

Hướng nâng cấp trong tương lai

  • Tích hợp mô hình khuếch tán (Latent Diffusion & ControlNet): Kết hợp kiến trúc U-Net của Stable Diffusion và LoRA để tăng cường chi tiết siêu phân giải (4K photorealistic styling).
  • Mở rộng xử lý Video thời gian thực: Ứng dụng cơ chế bù trừ chuyển động (Optical Flow) và Temporal Consistency Loss để chuyển đổi phong cách cho video streaming trực tiếp với tốc độ $\ge 30$ FPS.
  • Hỗ trợ xử lý đa ngôn ngữ bản địa: Huấn luyện thêm module Text Embedding đa ngôn ngữ để hỗ trợ tốt các câu lệnh tiếng Việt tự nhiên.

Đối tượng hưởng lợi từ dự án

  • Sinh viên & Học viên ngành AI/Khoa học dữ liệu: Nguồn tài liệu tham khảo chi tiết về cách kết hợp giữa mô hình phân đoạn hình ảnh (U-Net) và mô hình ngôn ngữ - thị giác (CLIP) trong môi trường PyTorch chuẩn mực.
  • Kỹ sư & Lập trình viên (AI Engineers): Cung cấp mã nguồn thiết kế Pipeline chuyển phong cách hoàn chỉnh, giải quyết triệt để lỗi lem màu biên bằng giải thuật Alpha Blending.
  • Doanh nghiệp & Startup công nghệ: Mô hình kiến trúc tối ưu chi phí phần cứng, dễ dàng đóng gói thành các microservices RESTful phục vụ hàng triệu người dùng.
  • Cộng đồng nghiên cứu (Researchers): Dữ liệu thực nghiệm phong phú đối chiếu giữa các phương pháp tiếp cận từ tối ưu hóa trực tuyến (Gatys), tối ưu hóa ngoại tuyến (AdaIN) đến zero-shot text-driven editing.

Câu hỏi thường gặp (FAQ)

1. Cấu hình phần cứng tối thiểu để triển khai và chạy thử nghiệm hệ thống là gì?

Để chạy inference phục vụ người dùng, hệ thống yêu cầu GPU tối thiểu NVIDIA GTX 1060 (6GB VRAM) hoặc tương đương, RAM 16GB và CPU 4 cores. Đối với môi trường huấn luyện hoặc phục vụ sản xuất tải cao, khuyến nghị sử dụng NVIDIA RTX 3060 12GB trở lên hoặc GPU Cloud (Tesla T4, A10G) hỗ trợ CUDA 11.8+ và TensorRT.

2. Mô hình có gặp hiện tượng suy giảm hiệu năng khi người dùng nhập prompt quá dài không?

Mô hình CLIP ViT-B/32 có giới hạn độ dài token chuẩn là 77 tokens. Khi câu mô tả vượt quá độ dài này, hệ thống sẽ tự động trích xuất các từ khóa ngữ nghĩa cốt lõi thông qua bộ phân tích NLP để đảm bảo vector biểu diễn phong cách không bị loãng thông tin.

3. Làm thế nào để giải quyết hiện tượng đường viền thô giữa vùng chuyển phong cách và vùng gốc?

ISTCS áp dụng kỹ thuật làm mềm biên (Gaussian Edge Blur) trên ma trận nhị phân của U-Net trước khi đưa vào hàm tổng hợp Alpha Blending. Nhờ đó, hệ số trong suốt thay đổi liên tục từ $0.0 \to 1.0$ tại biên, triệt tiêu hoàn toàn các vết nứt hoặc đường cắt gắt.

4. Hệ thống có khả năng chuyển đổi nhiều vùng ngữ nghĩa với các prompt khác nhau cùng lúc không?

Hoàn toàn có thể. Nhờ kiến trúc mô-đun hóa, hệ thống cho phép chạy song song các Generator trên từng vùng mặt nạ riêng biệt (ví dụ: "Tóc màu vàng" kết hợp "Trang phục da báo"), sau đó tổng hợp tất cả các lớp trên một lần quét Alpha Blending duy nhất.

5. Dự án có bảo đảm quyền riêng tư đối với ảnh chân dung tải lên của người dùng không?

Toàn bộ dữ liệu xử lý trong ứng dụng web demo được lưu tạm thời trên bộ nhớ RAM (In-memory buffer) trong suốt quá trình inference và tự động giải phóng ngay sau khi phản hồi base64 trả về cho Client, bảo đảm tuân thủ nguyên tắc không lưu trữ dữ liệu sinh trắc học trái phép.

Kết luận

Khóa luận tốt nghiệp "Chuyển đổi phong cách ảnh dựa trên câu mô tả tự nhiên khai thác lớp ngữ nghĩa cục bộ" (ISTCS) của sinh viên Nguyễn Ngọc Lan Phương và Cao Hưng Phú đã giải quyết thành công điểm nghẽn lớn của bài toán Style Transfer truyền thống: loại bỏ sự phụ thuộc vào ảnh mẫu và ngăn chặn hiện tượng méo mó cấu trúc chân dung. Với việc dung hợp sáng tạo giữa mô hình nhận diện ngôn ngữ thị giác CLIP, mạng phân đoạn U-Net và giải thuật Alpha Blending mượt mà, công trình không chỉ đạt chất lượng hình ảnh vượt trội (FID 61.15, SSIM 0.946) mà còn tối ưu hóa tốc độ xử lý ở mức 1.18 giây/ảnh. Đây là bước tiến công nghệ mang tính ứng dụng cao, mở ra tiềm năng thương mại hóa rộng lớn trong lĩnh vực xử lý ảnh kỹ thuật số và trí tuệ nhân tạo sáng tạo.