I. Tổng quan về hệ thống tái tạo 3D từ ảnh 2D tại HCMUTE 2025
Công nghệ đồ họa máy tính đang có những bước tiến vượt bậc nhờ sự hỗ trợ của trí tuệ nhân tạo. Đồ án tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật TP.HCM năm 2025 tập trung nghiên cứu lĩnh vực này. Đề tài phát triển hệ thống tái tạo 3D tự động hóa từ dữ liệu hình ảnh 2D đầu vào duy nhất. Nhóm tác giả Trần Minh Khôi và Nguyễn Tiến Đạt đã xây dựng một nền tảng toàn diện dưới sự hướng dẫn của Tiến sĩ Huỳnh Thế Thiện. Nghiên cứu giải quyết bài toán tái dựng hình học không gian vốn đòi hỏi nhiều thiết bị quét đắt tiền. Hệ thống mới giúp giảm thiểu chi phí và thời gian tạo lập mô hình kỹ thuật số. Người dùng chỉ cần cung cấp một bức ảnh đơn sắc hoặc đa sắc thông thường. Thuật toán phân tích hình ảnh và khôi phục tọa độ ba chiều nhanh chóng. Kiến trúc phần mềm liên kết chặt chẽ giữa các giải thuật học sâu và giao diện web thân thiện. Toàn bộ quy trình xử lý diễn ra tự động trên hạ tầng tính toán. Mô hình 3D tạo ra có độ phân giải cao, hiển thị rõ nét chi tiết góc cạnh và bề mặt. Công trình đánh dấu bước tiến quan trọng trong nghiên cứu ứng dụng tại trường.
1.1. Bối cảnh nghiên cứu mô hình hóa 3D hiện đại
Mô hình 3D đóng vai trò cốt lõi trong thời đại số. Các ngành công nghiệp game, điện ảnh và thực tế ảo luôn đòi hỏi lượng lớn tài nguyên không gian 3 chiều. Trước đây, kỹ thuật viên phải dựng hình thủ công qua phần mềm chuyên dụng như Blender hoặc Maya. Công việc này tiêu tốn nhiều nhân lực và hàng chục giờ lao động cho một vật thể. Các phương pháp quét laser truyền thống lại đòi hỏi phần cứng cồng kềnh với chi phí đầu tư rất lớn. Do đó, nhu cầu tự động hóa quy trình dựng hình từ ảnh chụp thực tế trở nên cấp bách. Trí tuệ nhân tạo mở ra hướng đi mới đầy triển vọng. Các mô hình học sâu có khả năng dự đoán hình khối bị che khuất và tái tạo kết cấu phức tạp nhanh chóng.
1.2. Mục tiêu nghiên cứu đồ án tốt nghiệp HCMUTE
Mục tiêu trọng tâm của đề tài tại HCMUTE là xây dựng một đường ống xử lý hoàn chỉnh từ ảnh đơn sang mô hình 3D. Hệ thống hướng đến việc cung cấp sản phẩm đầu ra có cấu trúc lưới mesh rõ ràng, tọa độ đỉnh chuẩn xác và bản đồ chất liệu UV hoàn chỉnh. Đồ án không chỉ dừng lại ở lý thuyết thuật toán. Nhóm nghiên cứu tập trung tối ưu hóa hiệu năng tính toán trên máy chủ để rút ngắn thời gian sinh mô hình. Hệ thống tích hợp nền tảng tương tác giúp người dùng thao tác dễ dàng trên trình duyệt web. Dự án cũng chú trọng tính mở của kiến trúc phần mềm, sẵn sàng kết nối API với các ứng dụng công nghiệp trong thực tế.
II. Phân tích thách thức kỹ thuật tái tạo 3D Deep Learning
Tái tạo mô hình 3D từ ảnh chụp 2D đơn lẻ là bài toán nghịch đảo kinh điển trong thị giác máy tính. Ảnh hai chiều bị suy giảm thông tin chiều sâu và chỉ hiển thị một góc nhìn duy nhất. Việc suy diễn cấu trúc mặt sau của đối tượng thường gặp tình trạng mơ hồ hình học. Thuật toán dễ tạo ra các dị dạng bề mặt hoặc suy đoán sai kích thước thực tế. Ngoài ra, sự phức tạp của vật liệu và nguồn sáng làm thay đổi cường độ điểm ảnh trên bề mặt vật thể. Điều này gây khó khăn lớn cho việc tính toán pháp tuyến và tạo lập texture chân thực. Các phương pháp cổ điển như Structure from Motion hay Multi-View Stereo đòi hỏi hàng chục góc chụp khác nhau. Nếu thiếu ảnh đầu vào, những kỹ thuật truyền thống này sẽ thất bại hoàn toàn. Thêm vào đó, việc xử lý dữ liệu 3D đòi hỏi tiêu tốn dung lượng bộ nhớ đồ họa khổng lồ. Các mô hình NeRF trước đây tốn nhiều phút để tối ưu hóa cho từng vật thể riêng biệt. Tốc độ render chậm cản trở việc đưa công nghệ vào các hệ thống tương tác thời gian thực.
2.1. Mất mát thông tin hình học và góc khuất
Một bức ảnh 2D thông thường chỉ ghi lại thông tin phản xạ ánh sáng trên bề mặt nhìn thấy được. Phần lưng và các nếp gấp bên dưới hoàn toàn bị che khuất khỏi góc nhìn máy ảnh. Hệ thống máy tính phải tự suy đoán các chi tiết bị thiếu này dựa trên mẫu học trước đó. Nếu dữ liệu huấn luyện không đầy đủ, thuật toán sẽ tạo ra các bề mặt lồi lõm phi thực tế. Hiện tượng biến dạng hình học thường xảy ra tại những đường viền tiếp giáp. Thêm vào đó, việc thiếu thông tin tỷ lệ kích thước thực tế khiến đối tượng dễ bị méo mó. Độ cong của các bề mặt phức tạp đòi hỏi số lượng điểm đỉnh cực lớn để mô phỏng chính xác.
2.2. Chi phí tài nguyên tính toán và bộ nhớ GPU
Huấn luyện và triển khai mô hình học sâu tái tạo không gian 3 chiều đòi hỏi cấu hình phần cứng rất cao. Quá trình tính toán ma trận và tối ưu trường bức xạ tiêu tốn nhiều gigabyte VRAM đồ họa. Các trạm máy trạm thông thường khó có thể chạy các thuật toán này một cách mượt mà. Thời gian xử lý kéo dài gây gián đoạn trải nghiệm người dùng trên môi trường web. Ngoài ra, việc xuất file định dạng chuẩn như OBJ hay GLB đòi hỏi bước hậu xử lý chuyển đổi tốn kém tài nguyên. Các thuật toán trích xuất lưới tam giác truyền thống thường tạo ra quá nhiều mặt thừa. Lưới mesh không tối ưu sẽ gây giật lag khi hiển thị trên các thiết bị di động hoặc trình duyệt nhẹ.
III. Phương pháp Deep Learning Zero123 Plus và InstantMesh
Để vượt qua các rào cản kỹ thuật, nhóm nghiên cứu tại HCMUTE đã kết hợp hai kiến trúc mô hình học sâu hiện đại nhất. Giai đoạn đầu tiên sử dụng mô hình khuếch tán Zero123 Plus. Mô hình này tiếp nhận một ảnh 2D và tạo ra 6 góc nhìn phối cảnh đồng bộ xung quanh vật thể. Các góc nhìn mới duy trì tính nhất quán cao về hình thái, ánh sáng và màu sắc. Giai đoạn thứ hai ứng dụng mạng nơ-ron tái tạo tức thời InstantMesh. Mạng lưới này sử dụng cấu trúc biến đổi thị giác để chuyển đổi ảnh đa góc nhìn thành mô hình 3D hoàn chỉnh chỉ trong vài chục giây. Khác với NeRF truyền thống, InstantMesh xuất thẳng dữ liệu lưới tam giác và tọa độ UV chuẩn xác. Hệ thống còn tích hợp công cụ nền tảng Dify để quản lý tác vụ thông minh và dịch vụ nền tảng. Backend xây dựng trên FastAPI xử lý luồng dữ liệu bất đồng bộ mượt mà. Nhờ đó, người dùng có thể tải ảnh lên và nhận kết quả mô hình 3D tương tác trực tiếp trên giao diện web một cách liền mạch.
3.1. Cơ chế sinh đa góc nhìn từ Zero123 Plus
Zero123 Plus hoạt động như một bộ mở rộng không gian trực quan. Mô hình này dựa trên nền tảng Stable Diffusion nhưng được tinh chỉnh đặc biệt cho dữ liệu 3D. Khi nhận một tấm ảnh gốc, mạng nơ-ron sẽ dự đoán cấu trúc vật thể ở các góc chụp xung quanh. Quá trình này sinh ra đồng thời sáu góc nhìn chuẩn hóa với góc nâng và góc xoay cố định. Các hình ảnh được tạo ra bảo toàn tính đồng nhất về kết cấu và điều kiện chiếu sáng. Mô hình loại bỏ hoàn toàn các yếu tố nhiễu nền để làm nổi bật chủ thể chính. Nhờ cơ chế chú ý liên góc nhìn, các bức ảnh phối cảnh không bị mâu thuẫn lẫn nhau về chi tiết hình học.
3.2. Tái tạo lưới Mesh nhanh chóng với InstantMesh
InstantMesh đóng vai trò biến đổi tập hợp ảnh phối cảnh thành cấu trúc 3D dạng lưới tam giác. Kiến trúc mô hình bao gồm bộ mã hóa hình ảnh đa góc nhìn và bộ giải mã hình học không gian. Thuật toán sử dụng kỹ thuật Large Reconstruction Model để học mối tương quan giữa các điểm ảnh và không gian ba chiều. Mô hình dự đoán trường khoảng cách có dấu để xác định chính xác bề mặt vật thể. Sau đó, thuật toán FlexiCubes trích xuất trực tiếp lưới mesh với độ chi tiết cao và số lượng đa giác hợp lý. Quá trình tạo bản đồ UV và gắn vật liệu texture diễn ra hoàn toàn tự động. Kết quả thu được là tệp mô hình 3D tương thích hoàn toàn với các phần mềm đồ họa hiện nay.
IV. Đánh giá ứng dụng thực tiễn hệ thống tái tạo 3D HCMUTE
Hệ thống tái tạo 3D từ ảnh 2D tại HCMUTE năm 2025 khẳng định tính khả thi cao trong triển khai thực tế. Nền tảng đem lại giải pháp toàn diện cho việc số hóa tài sản kỹ thuật số với chi phí tối thiểu. Tốc độ chuyển đổi nhanh giúp tiết kiệm nguồn lực đáng kể cho các nhà phát triển và nhà thiết kế. Thay vì tốn nhiều ngày công, quy trình tạo lập vật thể nay chỉ diễn ra trong vài phút. Chất lượng mô hình đáp ứng tốt tiêu chuẩn hiển thị trong các môi trường mô phỏng trực quan. Đồ án mở ra tiềm năng ứng dụng to lớn trong nhiều ngành trọng điểm như công nghiệp game, bảo tồn di sản văn hóa, thương mại điện tử và y khoa. Sự kết hợp giữa hạ tầng phần mềm hiện đại và các thuật toán học sâu tạo tiền đề vững chắc cho các nghiên cứu tiếp theo. Đề tài chứng minh năng lực sáng tạo và khả năng làm chủ công nghệ mới của sinh viên kỹ thuật Việt Nam.
4.1. Tiềm năng trong bảo tồn di sản và y tế
Trong bảo tồn văn hóa, hệ thống hỗ trợ số hóa các hiện vật cổ chỉ từ các bức ảnh lưu trữ. Các bảo tàng có thể nhanh chóng xây dựng không gian trưng bày thực tế ảo phục vụ khách tham quan từ xa. Điều này góp phần lưu giữ giá trị lịch sử một cách bền vững trước nguy cơ hư hại của thời gian. Đối với lĩnh vực y học, công nghệ hỗ trợ đắc lực trong việc dựng hình giải phẫu từ ảnh chụp chiếu sinh học. Bác sĩ và chuyên gia có thể quan sát trực quan các mô giải phẫu đa chiều trước khi thực hiện phẫu thuật. Giải pháp mang lại giá trị thực tiễn to lớn trong nghiên cứu, đào tạo và điều trị chuyên sâu.
4.2. Triển vọng ngành game và thương mại điện tử
Ngành công nghiệp trò chơi điện tử hưởng lợi trực tiếp từ công nghệ sinh mô hình 3D tự động. Các họa sĩ thiết kế có thể chuyển đổi ý tưởng dạng ảnh phác thảo thành tài nguyên 3D ngay lập tức. Quá trình tiền kỳ sản xuất game được rút ngắn đáng kể, giúp hạ giá thành phát triển. Trong thương mại điện tử, các cửa hàng trực tuyến có thể nâng cao trải nghiệm khách hàng với tính năng xem sản phẩm 360 độ. Người mua hàng dễ dàng tương tác, phóng to và xoay góc nhìn vật phẩm trên trang web trước khi quyết định mua sắm. Ứng dụng này hứa hẹn thay đổi mạnh mẽ hành vi tiêu dùng trực tuyến trong tương lai gần.
