Chương 1: Tổng quan về đề tài - Giới thiệu về đề tài. - Trình bày vấn đề và sự cần thiết của việc loại bỏ watermark trên hình ảnh. - Giới thiệu về học sâu và các mô hình học sâu phổ biến hiện nay. Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan - Giới thiệu các cơ sở lý thuyết về mạng đối nghịch tạo sinh (GAN) và mạng nơ-ron tích chập (CNN).
- Giới thiệu tổng quan về nghiên cứu loại bỏ watermark trên hình ảnh bằng phướng pháp học sâu. - Trình bày các nghiên cứu liên quan đến bài toán loại bỏ watermark trên hình ảnh bằng phương pháp học sâu. Chương 3: Mô hình đề xuất loại bỏ watermark trên hình ảnh - Mô tả quy trình xây dựng mô hình: + Thu thập dữ liệu: Tạo tập dữ liệu hình ảnh chứa watermark và hình ảnh gốc. + Xử lý dữ liệu: Chuẩn hóa ảnh, tăng cường dữ liệu.
+ Huấn luyện mô hình U-Net GAN dựa trên CNN: Chi tiết hóa việc sử dụng CNN để trích xuất đặc trưng và GAN để tái tạo hình ảnh không có watermark. - Trình bày quy trình huấn luyện và tối ưu hóa mô hình. - Đề xuất các cải tiến để tăng hiệu quả loại bỏ watermark. Chương 4: Thực nghiệm và đánh giá kết quả - Trình bày kết quả thực nghiệm trên tập dữ liệu.
- Đánh giá hiệu quả của mô hình qua các chỉ số: + PSNR (Peak Signal-to-Noise Ratio). - Phân tích những ưu điểm, hạn chế sau khi loại bỏ watermark trên hình ảnh. TỔNG QUAN CHUNG 1. Tổng quan về đề tài nghiên cứu Trong thời đại số hóa, bảo vệ quyền sở hữu trí tuệ trở thành một vấn đề quan trọng.
Một trong những biện pháp phổ biến để bảo vệ hình ảnh là nhúng watermark (hình mờ) nhằm xác thực nguồn gốc và bản quyền của nội dung. Tuy nhiên, trong nhiều trường hợp, việc loại bỏ watermark là cần thiết để khôi phục ảnh gốc, đặc biệt trong các lĩnh vực như xử lý ảnh y tế, phục chế ảnh cổ hoặc cải thiện chất lượng hình ảnh trong nghiên cứu. Học sâu (Deep Learning) đã chứng minh hiệu quả vượt trội trong nhiều bài toán xử lý ảnh, bao gồm loại bỏ nhiễu, tăng cường hình ảnh và phục hồi thông tin bị mất. Chính vì vậy, việc áp dụng phương pháp học sâu để loại bỏ watermark trên hình ảnh đang thu hút nhiều sự quan tâm từ cộng đồng nghiên cứu.
Trong chương này, chúng tôi sẽ trình bày tổng quan về watermark trên hình ảnh, các phương pháp loại bỏ watermark hiện nay, cũng như các mô hình học sâu có thể áp dụng cho bài toán này. Tổng quan về watermark trên hình ảnh và loại bỏ watermark Watermark là một dạng thông tin được nhúng vào hình ảnh nhằm bảo vệ bản quyền, xác thực nguồn gốc hoặc đánh dấu thương hiệu. Watermark có thể được chia thành 2 loại chính: - Watermark nhìn thấy (Visible Watermark): Thường là logo, chữ hoặc ký hiệu xuất hiện trực tiếp trên ảnh. - Watermark vô hình (Invisible Watermark): Được mã hóa vào ảnh và chỉ có thể phát hiện bằng các thuật toán chuyên biệt.
Các phương pháp loại bỏ watermark truyền thống bao gồm: - Lọc không gian (Spatial Filtering): Sử dụng các bộ lọc như Gaussian, trung bình để làm mờ watermark. - Phép biến đổi Fourier (Fourier Transform): Xử lý watermark trong miền tần số để loại bỏ các thành phần dư thừa. - Kỹ thuật Inpainting: Lấp đầy vùng watermark bằng thông tin từ các vùng lân cận. 10 Do những hạn chế của phương pháp truyền thống, học sâu (Deep Learning) đã nổi lên như một phương pháp tiếp cận hiệu quả hơn trong việc loại bỏ watermark trên hình ảnh.
Thay vì dựa trên các quy tắc thủ công, các mô hình học sâu có thể: - Học trực tiếp từ dữ liệu: Mô hình có thể học cách phân biệt watermark và nền ảnh thông qua quá trình huấn luyện trên dữ liệu lớn. - Giữ lại chi tiết ảnh gốc: Nhờ vào các kỹ thuật như mạng nơ-ron tích chập (CNN), U-Net, GAN, các mô hình học sâu có thể khôi phục ảnh mà không làm mất chi tiết quan trọng. - Làm việc tốt với nhiều loại watermark khác nhau: Không cần quy định sẵn watermark có hình dạng ra sao, mô hình có thể thích nghi với nhiều dạng watermark khác nhau. Học sâu cung cấp một cách tiếp cận mới để loại bỏ watermark bằng cách học trực tiếp từ dữ liệu huấn luyện.
Một số kỹ thuật phổ biến bao gồm: - Mạng đối nghịch tạo sinh (Generative Adversarial Networks - GANs): Mô hình này gồm hai thành phần chính: Generator (tạo ảnh không có watermark) và Discriminator (phát hiện ảnh gốc và ảnh đã xử lý). GANs có khả năng tái tạo ảnh rất tốt. - Mạng Autoencoder: Học cách mã hóa ảnh có watermark thành dạng đặc trưng và giải mã để tái tạo ảnh gốc. - Mạng U-Net: Một kiến trúc CNN đặc biệt có khả năng học cách loại bỏ watermark nhờ vào cấu trúc encoder-decoder mạnh mẽ.
Tổng quan về học sâu 1. Giới thiệu về học sâu Học sâu (Deep Learning) là một nhánh của trí tuệ nhân tạo (Artificial Intelligence - AI) và là phần mở rộng của học máy (Machine Learning) [2]. Phương pháp này dựa trên các mạng nơ-ron nhân tạo nhiều tầng (Deep Neural Networks) để mô phỏng cách con người học tập và xử lý thông tin [1]. Trong lĩnh vực xử lý ảnh, học sâu đã mang lại nhiều đột phá, giúp tự động hóa quá trình trích xuất đặc trưng và tối ưu hóa việc phân tích hình ảnh.
Các mô hình 11 học sâu có thể học cách phân biệt, tái tạo và chỉnh sửa hình ảnh dựa trên lượng dữ liệu lớn. Cách thức học sâu hoạt động [21]: - Mạng nơ-ron sâu (Deep Neural Network - DNN) được thiết kế nhằm mô phỏng cách hoạt động của não bộ con người thông qua việc xử lý dữ liệu đầu vào bằng hệ thống các trọng số và độ lệch. Những thành phần này kết hợp với nhau để phân tích, nhận diện và đưa ra quyết định dựa trên dữ liệu đầu vào. - Mạng DNN bao gồm nhiều lớp nơ-ron kết nối với nhau, trong đó mỗi lớp đảm nhận nhiệm vụ học các đặc trưng mới dựa trên thông tin đã được xử lý từ lớp trước.
Điều này giúp mô hình tối ưu hóa khả năng dự đoán hoặc phân loại dữ liệu. Quá trình xử lý thông tin này được gọi là truyền xuôi (forward propagation), trong đó dữ liệu đầu vào được đưa qua các lớp ẩn và lớp đầu ra sẽ tạo ra kết quả cuối cùng. - Tuy nhiên, để cải thiện độ chính xác của mô hình, một quá trình khác được sử dụng gọi là truyền ngược (backpropagation). Cơ chế này áp dụng các thuật toán tối ưu hóa, chẳng hạn như suy giảm độ dốc (gradient descent), nhằm tính toán mức độ sai số của mô hình.
Sau đó, các trọng số và độ lệch được điều chỉnh bằng cách truyền thông tin ngược trở lại qua các lớp, giúp mô hình học từ sai số và cải thiện hiệu suất [22]. - Sự kết hợp giữa truyền xuôi và truyền ngược đóng vai trò quan trọng trong việc huấn luyện mạng nơ-ron, giúp mô hình từng bước cải thiện độ chính xác theo thời gian. DNN là dạng mạng nơ-ron sâu cơ bản nhất, và trên thực tế, có nhiều loại mạng nơ-ron khác nhau được thiết kế để giải quyết các bài toán cụ thể trong lĩnh vực học sâu. Mô hình hoạt động của học sâu Đặc điểm nổi bật của học sâu là [21]: - Học đặc trưng tự động: Không cần thiết lập các quy tắc thủ công, mô hình có thể tự động tìm ra các đặc trưng quan trọng của dữ liệu.
- Hiệu suất cao với dữ liệu lớn: Khi có đủ dữ liệu và tài nguyên tính toán, học sâu có thể đạt được độ chính xác vượt trội so với các phương pháp truyền thống. - Khả năng tổng quát hóa tốt: Các mô hình có thể áp dụng trên nhiều dạng dữ liệu khác nhau mà không cần thay đổi nhiều về cấu trúc. Trong bài toán loại bỏ watermark trên hình ảnh, học sâu giúp mô hình học cách phân biệt watermark và nền ảnh, từ đó khôi phục hình ảnh gốc một cách chính xác hơn so với các phương pháp truyền thống. Các mô hình học sâu phổ biến Học sâu đã mang lại nhiều đột phá nhờ sự phát triển của các mô hình mạng nơ-ron tiên tiến, mỗi mô hình được thiết kế để phù hợp với từng bài toán cụ thể.
Dưới đây là một số kiến trúc tiêu biểu trong lĩnh vực học sâu. Mạng nơ-ron tích chập (CNN) Mạng nơ-ron tích chập (Convolutional Neural Network – CNN) là một kiến trúc mạng nơ-ron chuyên biệt, được thiết kế để xử lý dữ liệu có cấu trúc lưới như hình ảnh và video. CNN hoạt động bằng cách sử dụng các lớp tích chập để trích xuất các đặc trưng quan trọng như đường viền, hình dạng và kết cấu. Đồng thời, các lớp gộp (pooling layers) giúp giảm kích thước dữ liệu trong khi vẫn giữ được các thông tin quan trọng, giúp cải thiện hiệu suất tính toán mà không làm mất đi đặc trưng chính của dữ liệu [20].
Mô hình mạng nơ-ron tích chập (CNN) CNN ứng dụng trong các hoạt động như: - Nhận diện và phân loại hình ảnh: Phân biệt giữa các loại đối tượng, như mèo, chó,… - Phát hiện và theo dõi đối tượng: Tìm kiếm khuôn mặt, biển số xe hoặc đối tượng chuyển động. - Xử lý hình ảnh y tế: Phân tích hình ảnh X-quang, MRI để phát hiện bệnh lý. Mạng nơ-ron hồi tiếp (RNN) Mạng nơ-ron hồi tiếp (Recurrent Neural Network – RNN) là một loại mô hình được phát triển để xử lý dữ liệu tuần tự, trong đó mỗi phần tử trong chuỗi có sự liên kết với các phần tử trước đó [23]. RNN có các kết nối tuần hoàn, giúp ghi nhớ thông tin từ các bước trước, cho phép mô hình hiểu được ngữ cảnh và mối quan hệ giữa các dữ liệu liên tiếp.
Tuy nhiên, khi làm việc với chuỗi dữ liệu dài, RNN 14 thường gặp phải vấn đề mất dần thông tin (vanishing gradient), khiến việc ghi nhớ các thông tin từ xa trở nên khó khăn. Mô hình mạng nơ-ron hồi tiếp (RNN) RNN ứng dụng trong các hoạt động như: - Phân tích và tạo văn bản: Dịch thuật tự động, viết bài hoặc tóm tắt nội dung. - Nhận diện giọng nói: Chuyển đổi giọng nói thành văn bản và ngược lại. - Dự đoán chuỗi thời gian: Dự báo giá cổ phiếu, thời tiết hoặc lưu lượng giao thông.
Mạng Transformers [24] Mạng Transformers là một kiến trúc tiên tiến, được phát triển nhằm khắc phục những hạn chế của RNN trong việc xử lý dữ liệu tuần tự. Thay vì xử lý từng bước một như RNN, Transformers có khả năng xử lý song song hiệu quả nhờ vào cơ chế tự tập trung (self-attention).
