Chương 1 giới thiệu về đề tài, đưa ra van dé cần giải quyết trong dé tài, qua đó cho thấy được động cơ nghiên cứu của tác giả, đồng thời trình bày những mục tiêu cần đạt được trong luận văn. Theo đó, phần này cũng giới thiệu phạm vi và đối tượng được nghiên cứu. Chương 2 trình bày tổng quan các phương pháp trong bài toán phục hồi anh và phương pháp nghiên cứu được sử dụng trong bài luận văn. Từ đó, nêu lên được ý nghĩa khoa học và thực tiễn của dé tài.
Chương3 trình bày các cơ sở, nền tảng lý thuyết cần có về mô hình GANs dé giải quyết van dé đặt ra trong luận văn. Chương 4 trình bày các phương pháp thực nghiệm, đữ liệu và đánh giá mô hình. Dựa trên các cơ sở lý thuyết được trình bày trong phần trước, phần này luận văn sẽ đưa ra những thử nghiệm cụ thể và đánh giá bằng số liệu. Chương 5 tông kết những kết quả đạt được trong luận văn, tóm tắt lại các vấn đề đã đặt ra và cách giải quyết trong luận văn, nêu ra các hạn chế còn tồn đọng.
Những đóng góp, đề xuất và hướng phát triển cho đề tài trong tương lai. CÁC NGHIÊN CỨU LIÊN QUAN 2. Giới thiệu đề tài Trong lĩnh vực xử lý hình ảnh và trí tuệ nhân tạo (Artificial Intelligence), bài toán phục hồi ảnh cũ là một lĩnh vực có triển vọng lớn và thu hút sự quan tâm đáng kể từ cộng đồng nghiên cứu. Khám phá khả năng tái tạo lại những bức ảnh cũ, bi mờ hoặc hỏng do thời gian, đang mở ra nhiều cơ hội dé chúng ta có thê khôi phục và bảo tồn những di sản hình ảnh quý giá từ quá khứ, đồng thời tạo ra những ứng dụng mới mẻ và tiện ích trong đời sông hàng ngày.
Mục tiêu cốt lõi của bài toán phục hồi ảnh cũ là tái tạo lại các chỉ tiết và đặc điểm của ảnh ban đầu một cách chân thực và tự nhiên nhất có thé, trong khi van giữ được ban chất và cảm xúc của bức ảnh gốc. Điều này đòi hỏi sự kết hợp tinh tế giữa các kỹ thuật xử lý anh và trí tuệ nhân tạo dé loại bỏ nhiễu, tái tạo lại các chỉ tiết bị mất và phục hồi màu sắc một cách chính xác và tự nhiên. Tuy nhiên, bài toán này đối điện với những thách thức phức tạp. Một trong các thách thức chính là kha năng xử lý nhiều dang nhiễu khác nhau có thé xuất hiện trong ảnh cũ, bao gồm nhiễu do quá trình lão hóa, nhiễu từ quá trình quét hoặc tái tạo không đồng nhất từ các nguồn khác nhau.
Việc loại bỏ hoặc giảm thiểu các loại nhiễu này mà vẫn bảo toàn được các thông tin quan trọng trong hình ảnh là một thách thức đáng kể đối với những người nghiên cứu. Thêm vào đó, việc tái tạo lại các chi tiết bị mat trong ảnh cũ cũng là một vẫn đề phức tạp. Đối với những phần bị mờ hoặc mat, việc khôi phục lại thông tin một cách chính xác và tự nhiên mà không làm mất đi tính thâm mỹ của bức ảnh là một thách thức khó khăn. Ngoài ra, việc tái tạo màu sắc cũng đặt ra một loạt các vấn đề thú vị.
Màu sắc không chỉ là một yếu tổ thẳm mỹ mà còn mang lại thông tin quan trọng về bức anh. Việc phục hồi màu sắc một cách tự nhiên và chính xác là một yếu tố không thé không có trong quá trình tái tạo lại hình ảnh cũ. Nhận thay duoc su quan trong va phuc tap cua bai toan phuc hồi anh cũ, các nghiên cứu trong lĩnh vực này không chỉ tập trung vào việc phát triển các thuật toán va kỹ thuật mới mà còn vào việc xây dựng các bộ dữ liệu đa dạng và phong phú dé training cho mô hình. Băng cách tiêp cận một cách toàn diện và sáng tạo, nghiên cứu 19 này hứa hẹn sẽ mang lại những đóng góp quan trọng cho cả lý thuyết và thực tiễn trong lĩnh vực xử lý hình ảnh và trí tuệ nhân tạo.
Các phương pháp phục hồi ảnh Có nhiều phương pháp, hướng tiếp cận khác nhau dé giải quyết bai toán phục hồi ảnh cũ, mỗi hướng tiếp cận có những ưu điểm và hạn chế riêng. Multi-Layer Perceptron (MLP) là một loại mang nơ-ron truyền thống với các lớp nơ-ron dày đặc (fully connected layers). Trong bài toán phục hồi hình ảnh, MLP- based methods có thể được sử dụng dé thực hiện các tác vụ như giảm nhiễu, tăng cường độ phân giải, và khôi phục chỉ tiết bị mat. e Ưu Điểm của MLP-based Methods trong Phục Hồi Hình Ảnh e Đơn Gian và Dễ Hiểu: Kiến trúc của MLP đơn giản và dễ hiểu, giúp dễ dàng triển khai và huấn luyện.
e Khả Năng Tổng Quát: MLP có thể được áp dụng cho nhiều loại dữ liệu khác nhau, không chỉ giới hạn ở hình ảnh. e Nhược Điểm của MLP-based Methods trong Phục Hỏi Hình Anh e Không Hiệu Qua Cho Dữ Liệu Hình Ảnh Phức Tạp: MLP không tận dụng được cấu trúc không gian của hình ảnh, dẫn đến hiệu suất kém hơn so với các phương pháp hiện đại như GANs. e Số Lượng Tham Số Lớn: Do mỗi nơ-ron kết nối với tất cả các nơ-ron trong lớp tiếp theo, số lượng tham số trong MLP có thê rất lớn, đặc biệt là khi xử lý hình ảnh có độ phân giải cao. e Kha Năng Học Hạn Chế: MLP có khả năng học hạn chế khi so sánh với các mô hình phức tạp hơn như CNN và GAN, đặc biệt là trong việc trích xuất các đặc trưng phức tạp từ dữ liệu hình ảnh.
Convolutional Neural Networks (CNNs) [3] là một loại mạng no-ron sâu được thiết kế đặc biệt dé xử ly dit liệu có cấu trúc lưới, chang hạn như hình ảnh. CNN- based methods đã chứng minh được hiệu quả vượt trội trong nhiều tác vụ phục hồi hình ảnh. e©_ Ưu Điểm của CNN-based Methods trong Phục Hồi Hình Ảnh e Hiệu Quả Trong Xử Lý Hình Ảnh: CNNs tận dụng cấu trúc không gian của hình ảnh, giúp trích xuất các đặc trưng phức tạp một cách hiệu quả. 20 e Khả Năng Tổng Quát Hóa Cao: CNNs có khả năng học các đặc trưng từ đữ liệu huấn luyện và áp dụng chúng vào dữ liệu mới một cách hiệu quả.
e Nhược Điểm của CNN-based Methods trong Phục Hồi Hình Ảnh e Yêu Cầu Tài Nguyên Tính Toán Lớn: CNNs cần nhiều tài nguyên tính toán và bộ nhớ dé huấn luyện, đặc biệt là khi làm việc với các tập dữ liệu lớn và hình ảnh có độ phân giải cao. e Phức Tạp Trong Triển Khai: Việc triển khai và tối ưu hóa CNNs có thé phức tạp và đòi hỏi kiến thức chuyên sâu về học máy và thị giác máy tính. Transformer là một kiến trúc mạng nơ-ron ban đầu được phát triển cho xử lý ngôn ngữ tự nhiên (NLP) nhưng đã nhanh chóng được áp dụng rộng rãi trong nhiều lĩnh vực khác, bao gồm cả thị giác máy tính. Transformer dựa trên cơ chế attention, dé xử lý các van đề phục hồi hình ảnh như loại bỏ nhiễu, tái tạo hình ảnh, cải thiện chất lượng hình ảnh và các tác vụ phục hồi hình ảnh khác.
Transformer-based methods đã chứng minh được hiệu quả vượt trội trong nhiều tác vụ phục hồi hình ảnh. e Ưu Điểm của Transformer-based Methods trong Phục Hồi Hình Anh e Khả Năng Học Các Mối Quan Hệ Dài Hạn: Transformer có khả năng học các mối quan hệ dai hạn trong dit liệu, giúp nó hiệu quả trong việc xử lý dữ liệu tuần tự và không tuần tự. e Tinh Linh Hoạt: Transformer có thé được sử dụng cho nhiều loại dữ liệu khác nhau, từ văn bản đến hình ảnh và chuỗi thời gian. e_ Nhược Điểm của Transformer-based Methods trong Phục Hồi Hình Ảnh e _ Yêu Cầu Tài Nguyên Tính Toán Lớn: Transformer cần nhiều tài nguyên tính toán và bộ nhớ dé huấn luyện, đặc biệt là khi làm việc với các tập dir liệu lớn.
e_ Phức Tạp Trong Triển Khai: Việc triển khai và tối ưu hóa Transformer có thé phức tạp và đòi hỏi kiến thức chuyên sâu về học máy va xử lý dit liệu. Generative Adversarial Networks (GANs) là một loại mạng nơ-ron sâu được 21 thiết kế để sinh ra dữ liệu mới từ một phân phối xác suất nhất định. GANs-based methods đã chứng minh được hiệu quả vượt trội trong nhiều tác vụ phục hồi hình ảnh, nhờ khả năng sinh ra dt liệu chất lượng cao, học các đặc trưng phức tạp, tính linh hoạt cao, và khả năng tạo ra các chỉ tiết mới. Cơ chế đối kháng giữa mạng sinh và mạng phân biệt giúp GANs liên tục cải thiện chất lượng hình ảnh, làm cho chúng trở thành một công cụ mạnh mẽ và hiệu quả trong nhiều tác vụ phục hồi hình ảnh.
e Ưu Điểm của GANs-based Methods trong Phục Hồi Hình Ảnh e Khả Năng Sinh Dữ Liệu Chất Lượng Cao: GANs có kha năng sinh ra dir liệu gia mao chat lượng cao và chan thực, làm cho chung trở thành công cụ mạnh mẽ trong nhiều ứng dụng phục hồi hình ảnh. e Tính Linh Hoạt: GANs có thé được áp dụng cho nhiều loại dữ liệu khác nhau và nhiều tác vụ phục hồi hình ảnh khác nhau. e Nhược Điểm của GANs-based Methods trong Phục Hồi Hình Ảnh e Quá Trình Huấn Luyện Phức Tap: Quá trình training cho GANs có thé không ồn định và đòi hỏi nhiều tài nguyên tính toán. Các vấn đề như mode collapse va vanishing gradients thường gặp phải.
e Yêu Cau Dữ Liệu Lớn: GANs cần một lượng lớn đữ liệu huấn luyện dé đạt được hiệu suất tốt, điều này có thê là một thách thức trong các lĩnh vực mà đữ liệu khan hiếm. Một số phương pháp phục hồi hình ảnh khác như: e Sử dụng phương pháp xử lý ảnh truyền thống: Các phương pháp xử lý ảnh truyền thống như lọc thông tin, làm sạch nhiễu, làm tăng cường cường độ sáng va làm rõ đường nét cũng có thể được áp dung dé phục hồi ảnh cũ [4]. Các phương pháp này thường được sử dụng cùng nhau với các phương pháp học máy dé đạt được kết quả tốt nhất. e Hoc tăng cường (Reinforcement Learning): Một số nghiên cứu mới đề xuất sử dụng học tăng cường [5] để phục hồi ảnh cũ.
Trong học tăng cường, mô hình học cách tối ưu hóa một chính sách dé tối đa hóa một phần thưởng đã được xác định trước, chăng hạn như sự tương tự với ảnh gốc hoặc độ tự nhiên của kết quả phục hồi. e Sử dụng thông tin bổ sung: Một hướng tiếp cận khác là sử dụng thông tin bổ 22 sung từ các nguồn khác nhau như anh màu tương đương, dữ liệu văn bản, hoặc thông tin về ngữ cảnh dé tái tạo ảnh cũ. Các phương pháp này có thê giúp cải thiện độ chính xác và chất lượng trong quá trình phục hồi.