Tổng quan về luận án

Bối cảnh chuyển dịch số của ngành truyền thông đa phương tiện và công nghiệp quảng cáo truyền hình (AdTech) đang chứng kiến sự bùng nổ của nội dung video kỹ thuật số theo các chuẩn nén hiện đại như MPEG-4, AVI, MOV. Nhằm tối ưu hóa trải nghiệm người dùng và mở rộng không gian thương mại mà không làm gián đoạn mạch xem, xu hướng tích hợp đối tượng quảng cáo trực tiếp vào nội dung phát sóng (virtual placement, dynamic ad insertion, virtual billboard) đang thay thế dần các định dạng ngắt quãng truyền thống. Tuy nhiên, quy trình biên tập hậu kỳ video (video post-processing) hiện nay phần lớn vẫn thực hiện thủ công bằng cách duyệt từng khung hình (frame-by-frame inspection), tiêu tốn chi phí nhân lực lớn và không thể đáp ứng yêu cầu xử lý thời gian thực trên các luồng truyền dẫn trực tiếp.

Nghiên cứu tiên phong này giải quyết trực tiếp khoảng trống học thuật (research gap) cốt lõi: sự thiếu vắng một quy trình tự động hóa tích hợp từ đầu đến cuối (end-to-end automated pipeline) có khả năng đồng thời giải quyết bài toán phát hiện đối tượng (dò tìm và nhận dạng tư thế/hình dạng), phân vùng thực thể chính xác, và tái tạo hoàn thiện video (video inpainting) không gian - thời gian với độ trễ thấp và độ chân thực thị giác cao.

Hệ thống câu hỏi nghiên cứu (Research Questions - RQ) và giả thuyết khoa học (Hypotheses - H) được xác lập:

  • RQ1: Làm thế nào để cải tiến mạng nơron tích chập sâu một trạng thái (one-stage DCNN) nhằm dò tìm và định vị chính xác đối tượng quảng cáo đa tỷ lệ trong video mà vẫn duy trì tốc độ thời gian thực?
    • H1: Tái cấu trúc hàm mất mát (loss function) và kiến trúc trích chọn đặc trưng đa tầng của YOLOv3 sẽ tăng độ chính xác vị trí hộp bao (bounding box) mà không làm suy giảm tần số xử lý khung hình.
  • RQ2: Kỹ thuật lập chỉ mục và tìm kiếm lân cận gần đúng (ANN) nào tối ưu hóa được việc nhận dạng hình dạng đối tượng trên không gian vector đặc trưng số chiều lớn?
    • H2: Phương pháp lượng tử hóa tích đề các cụm vector (PSVQ) kết hợp cây phân cụm thứ bậc sẽ giảm thiểu triệt để độ phức tạp tính toán khoảng cách bất đối xứng (ADC) so với chuẩn PQ truyền thống.
  • RQ3: Giải pháp nào đảm bảo tính liên tục không gian và thời gian khi lấp đầy vùng trống bất kỳ sinh ra do loại bỏ đối tượng trong video?
    • H3: Tích hợp tích chập từng phần mở rộng và cơ chế gated convolution trong mạng nơron hồi quy V-RBPconv sẽ khắc phục triệt để hiện tượng nhấp nháy (flickering) và biến dạng kết cấu bề mặt.

Khung lý thuyết của công trình được định hình trên nền tảng: Lý thuyết biểu diễn đặc trưng học sâu (Deep Representation Learning), Lý thuyết lượng tử hóa không gian vector (Vector Quantization Theory - Gray, 1984), và Lý thuyết tái tạo tín hiệu hình ảnh/video (Spatio-Temporal Visual Inpainting).

Phạm vi và quy mô thực nghiệm của luận án được xác định rõ ràng:

  • Định dạng dữ liệu đầu vào: "Dữ liệu video đầu vào được mã hóa kích thước 720p hoặc 480p với tỷ lệ khung hình 16:9, tức là có độ phân giải 1280 x 720px hoặc 854 x 480px và giả thiết đã được phân thành một chuỗi các frame liên tiếp nhau." Chuẩn màu hiển thị đạt ngưỡng 72 dpi theo tiêu chuẩn thị giác chuyển động.
  • Đối tượng mục tiêu: "Kích thước của đối tượng nghiên cứu trong video không quá nhỏ, giới hạn trong khoảng từ 20px đến 400px mỗi chiều vì nếu quá nhỏ thì sẽ không thu hút được người xem." Độ biến dạng tỷ lệ trong cùng một lớp đối tượng có thể chênh lệch lên đến 50 lần.
  • Tác động định lượng: "Tốc độ của mô hình cải tiến được duy trì theo thời gian thực (>30 frame trong một giây), độ chính xác cũng cải thiện, mAP đạt ở mức cao (>80%) khi áp dụng cho bài toán phát hiện đối tượng quảng cáo."

Literature Review và Positioning

Tổng quan tài liệu chỉ ra ba dòng nghiên cứu chính tương ứng với các tiến trình xử lý trong thị giác máy tính:

[1. Dò tìm đối tượng]

[2. Lập chỉ mục & Tìm kiếm ANN]

[3. Hoàn thiện Video (Video Inpainting)]

Những tranh luận học thuật nổi bật trong các thập kỷ qua:

  1. Tranh luận về Dò tìm đối tượng (Two-Stage vs. One-Stage): Dòng nghiên cứu hai trạng thái (Two-stage) do Girshick (2014), Ren et al. (2015) khởi xướng thông qua cơ chế đề xuất vùng (Region Proposal Network - RPN) đạt độ chính xác phân loại cao nhưng độ trễ thuật toán rất lớn, không khả thi cho video trực tiếp. Ngược lại, họ mô hình một trạng thái (One-stage) của Redmon et al. (2016, 2018) và Liu et al. (2016) gộp toàn bộ quá trình thành bài toán hồi quy duy nhất, giải phóng băng thông tính toán nhưng gặp hạn chế lớn trong việc nhận diện đối tượng quy mô nhỏ hoặc bị biến dạng góc nhìn phức tạp.
  2. Tranh luận về Kỹ thuật Inpainting (Patch-based vs. Deep Generative Inpainting): Nhóm phương pháp dựa trên mẫu vá (Patch-based) của Barnes et al. (2009) và Newson et al. (2014) tạo ra độ nét cục bộ cao nhưng hoàn toàn bất lực khi vùng phá hủy lớn không có mẫu tương đồng trong các khung hình lân cận, đồng thời thuật toán tham lam (greedy strategy) gây bẫy cực tiểu cục bộ. Ngược lại, các mô hình tích chập sâu 2D/3D (Pathak et al., 2016; Yu et al., 2018; Chang et al., 2019) có khả năng hiểu ngữ nghĩa mức cao nhưng tích chập 3D tiêu tốn bộ nhớ voxel khổng lồ, giới hạn độ phân giải xử lý.

Định vị của công trình so với các nghiên cứu quốc tế:

  • So sánh với LOGO-Net (Hoi et al., 2015): LOGO-Net sử dụng Fast R-CNN và R-CNN để phát hiện thương hiệu trên ảnh tĩnh đạt độ chính xác tốt, nhưng tốc độ xử lý khung hình thấp (vài khung hình mỗi giây), không thể áp dụng cho luồng MPEG-4 thời gian thực. Luận án vượt trội nhờ kiến trúc cải tiến YOLO-Adv, giữ vững tần số trên 30 fps với mAP > 80%.
  • So sánh với SSD Logo Detection (Bombonato et al., 2017): Dù SSD xử lý nhanh, mô hình của Bombonato bị suy giảm độ chính xác nghiêm trọng trước các bề mặt cong hoặc bị che khuất một phần. Luận án khắc phục bằng trích chọn vector đặc trưng 4096 chiều và kết nối cơ chế phân vùng Mask R-CNN cải tiến.
  • So sánh với Free-Form Video Inpainting (Chang et al., 2019; Wang et al., 2019): Các mô hình 3DGated và CombCN gặp hiện tượng suy giảm cấu trúc viền khi mặt nạ có hình dạng ngẫu nhiên mảnh dài. Mô hình V-RBPconv của luận án giải quyết trọn vẹn nhờ cấu trúc khối residual cải tiến và tích chập từng phần lặp (recurrent partial convolution).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

  1. Mở rộng lý thuyết tối ưu hóa hàm mất mát trong One-Stage Detectors: Luận án tái định nghĩa hàm mất mát hồi quy bounding box và hàm mất mát phân loại đối tượng trong kiến trúc YOLOv3 (Redmon & Farhadi, 2018). Bằng việc tinh chỉnh trọng số liên kết không gian và ngưỡng phạt độ giao phủ IoU (Intersection over Union), mô hình khắc phục hiện tượng mất cân bằng mẫu nghiêm trọng giữa vùng nền (background) và vùng đối tượng quảng cáo kích thước biến thiên từ 20px đến 400px.
  2. Phát triển lý thuyết lượng tử hóa không gian vector thứ bậc (PSVQ): Dựa trên nền tảng Product Quantization (Jégou et al., 2011), nghiên cứu đề xuất Product Sub-Vector Quantization (PSVQ). Luận án chứng minh về mặt toán học rằng việc phân rã không gian đặc trưng $\mathbb{R}^D$ thành $M$ không gian con trực giao $\mathbb{R}^{D/M}$, kết hợp lượng tử hóa cụm con nhiều tầng, giúp triệt tiêu phương sai dư thừa trong phép tính khoảng cách bất đối xứng (ADC): $$\mathcal{L}{MSE} = \sum{m=1}^{M} \min_{C^{(m)}} \sum_{x \in Z} |x^{(m)} - Q(x, C^{(m)})|_2^2$$ Mô hình đảm bảo nén vector 4096 chiều thành chuỗi mã hóa 64-bit với sai số MSE tối thiểu.
  3. Mở rộng lý thuyết trường tiếp nhận trong Video Inpainting: Tích hợp cơ chế lan truyền thông tin qua khối Residual cải tiến trong kiến trúc V-RBPconv, chứng minh khả năng bảo toàn tính đẳng hướng (isotropy) của trường gradient giữa các khung hình liên tiếp.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp bốn lý thuyết/công nghệ trụ cột thành một quy trình khép kín:

[Khung hình Video MPEG-4 (720p/480p)]
[Pha 1 & 2: Dò tìm & Trích xuất Đặc trưng]
      - Mô hình: YOLO-Adv (One-stage DCNN)
      - Đầu ra: Bounding Box (x, y, w, h) + Vector đặc trưng 4096 chiều
[Pha 3: Nhận dạng Hình dạng / Đối sánh Mẫu]
      - Cơ chế: Lập chỉ mục PSVQ + Cây phân cụm thứ bậc
      - Thuật toán: Tìm kiếm lân cận gần đúng ANN với khoảng cách ADC
      - Đầu ra: Ánh xạ biến đổi Affine/phối cảnh của đối tượng đích
[Pha 4: Phân vùng & Hoàn thiện Video]
      - Phân vùng thực thể: Mask R-CNN + Mặt nạ tinh chỉnh
      - Tái tạo khoảng trống: Mô hình mạng V-RBPconv
      - Đầu ra: Video hoàn thiện, liền mạch theo không gian và thời gian

Điều kiện biên (boundary conditions) của mô hình:

  • Áp dụng tối ưu cho bề mặt đối tượng dạng 2D phẳng hoặc cong nhẹ (chai lọ, biển bảng, áo vận động viên).
  • Tỷ lệ che khuất của đối tượng không vượt quá ngưỡng phá hủy đặc trưng ngữ nghĩa ($<60%$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp chủ nghĩa kinh nghiệm tính toán (Computational Empiricism). Thiết kế nghiên cứu là sự kết hợp chặt chẽ giữa suy diễn toán học (lý thuyết lượng tử hóa vector, giải thuật tối ưu hóa phi tuyến) và phương pháp thực nghiệm kiểm chứng nghiêm ngặt trên hệ thống máy tính hiệu năng cao (GPU/CPU clusters).

Quy mô và thông số phân giải thực nghiệm:

  • Video luồng chuẩn MPEG-4, tốc độ khung hình 25 - 30 fps.
  • Không gian phân giải: HD 720p ($1280 \times 720$ px) và SD 480p ($854 \times 480$ px).
  • Không gian vector đặc trưng: 4096 chiều (D=4096), phân rã $M=8$ không gian con, mỗi codebook chứa $K=256$ centroids ($2^8$), tương ứng 64-bit mã hóa cho mỗi vector.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tinh chế dữ liệu tuân thủ các giao thức chuẩn mực quốc tế:

  1. Tiền xử lý và tạo cơ sở dữ liệu mẫu (Offline): Sử dụng các phép biến đổi hình học (affine transformations, perspective warps, xoay, phóng thu, thêm nhiễu Gaussian) để sinh tập dữ liệu mở rộng cho các cặp đối tượng nguồn - đích. Trích chọn vector đặc trưng 4096 chiều từ các lớp tích chập sâu và xây dựng cấu trúc chỉ mục PSVQ kết hợp cây phân cụm thứ bậc.
  2. Dò tìm và khoanh vùng trực tuyến (Online Detection): Khung hình video đi qua mạng YOLO-Adv, phân chia lưới $S \times S$, dự đoán trực tiếp tọa độ hộp bao và trích xuất vector đặc trưng mà không cần bộ lọc tiền xử lý phụ trợ.
  3. Phân vùng và Tinh chỉnh mặt nạ: Ứng dụng Mask R-CNN kết hợp Peak Response Mapping (PRM) và Peak Simulation Layer (PSL) để cô lập chính xác các điểm ảnh thuộc biên dạng đối tượng, loại trừ tối đa vùng biên thừa.
  4. Kiểm tra độ tin cậy và tính hợp lệ (Triangulation):
    • Tính hợp lệ cấu trúc (Construct Validity): Đánh giá thông qua các đại lượng toán học tiêu chuẩn gồm MSE giữa vector gốc và vector lượng tử, chỉ số IoU giữa bounding box dự đoán và nhãn chuẩn ground-truth.
    • Tính hợp lệ nội tại (Internal Validity): Thực hiện đối chứng trên cùng một điều kiện phần cứng với các baseline quốc tế (YOLOv2, YOLOv3, SSD, Faster R-CNN, PConv, 3DGated).
    • Độ tin cậy (Reliability): Đảm bảo khả năng tái lặp thực nghiệm thông qua cố định seed ngẫu nhiên và chuẩn hóa giao thức phân chia tập Train/Validation/Test.

Data và phân tích

Các tập dữ liệu chuẩn mực được sử dụng trong luận án:

  • FlickrLogos-47 và FlickrLogos-32: Đánh giá hiệu năng dò tìm đối tượng và nhận dạng thương hiệu dưới các điều kiện biến dạng và chiếu sáng phức tạp.
  • ANN_GIST (1 triệu vector 960 chiều) và VGG (vector 4096 chiều): Đánh giá chất lượng lượng tử hóa, độ chính xác tìm kiếm ANN và tốc độ truy vấn của thuật toán PSVQ.
  • PASCAL VOC2012: Đánh giá độ chính xác phân lớp và phân vùng thực thể điểm ảnh.
  • Places2 và FVI (Free-form Video Inpainting dataset): Đánh giá năng lực tái tạo khung hình và chất lượng video inpainting.

Hệ thống chỉ số định lượng nâng cao:

  • Dò tìm và Phân vùng: Mean Average Precision (mAP), Intersection over Union (IoU), Precision-Recall curves.
  • Lượng tử hóa và Tìm kiếm: Mean Square Error (MSE), Recall@R, thời gian truy vấn trung bình (ms/query).
  • Hoàn thiện Video: Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Learned Perceptual Image Patch Similarity (LPIPS), Fréchet Inception Distance (FID).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của mô hình YOLO-Adv: Trên tập dữ liệu FlickrLogos-47, YOLO-Adv đạt mAP > 80% với tốc độ xử lý duy trì ổn định trên 30 khung hình/giây trên phần cứng GPU tiêu chuẩn. Mô hình giải quyết triệt để bài toán nhận dạng các đối tượng có kích thước biến thiên mạnh (từ 20px đến 400px), vượt qua hiện tượng bỏ sót đối tượng nhỏ vốn là nhược điểm cố hữu của YOLOv2 và SSD.
  2. Đột phá tốc độ và độ chính xác mã hóa của PSVQ: Kỹ thuật PSVQ kết hợp cây phân cụm thứ bậc chứng minh sự vượt trội về mặt định lượng so với PQ truyền thống và IVFADC. Trên tập vector đặc trưng VGG 4096 chiều, PSVQ giảm sai số tái tạo MSE hơn 18% trong khi tốc độ tìm kiếm lân cận gần đúng qua khoảng cách ADC tăng gấp 2.4 lần so với cấu trúc chỉ mục thông thường.
  3. Tính liên tục không gian - thời gian của V-RBPconv: Trong tác vụ hoàn thiện video sau loại bỏ đối tượng, mô hình V-RBPconv đạt giá trị PSNR cao hơn từ 1.8 đến 2.6 dB và chỉ số SSIM cải thiện vượt trội so với các mô hình 3DGated, CombCN và Partial Convolution (PConv) trên tập dữ liệu FVI và Places2.
  4. Khả năng tái tạo biên tự nhiên với mặt nạ tự do (Free-form Masks): Kết quả định tính chỉ ra V-RBPconv loại bỏ hoàn toàn hiện tượng nhòe mờ (blurring artifacts) và đường viền giả tạo tại các vùng trống dạng đường cong, đường kẻ hoặc vết xước mảnh do quá trình bóc tách logo để lại.

Implications đa chiều

  • Đóng góp học thuật: Mở rộng lý thuyết tích hợp giữa Deep Representation Learning và Vector Quantization, thiết lập cầu nối phương pháp luận giữa bài toán nhận dạng đối tượng một trạng thái và kỹ thuật sinh tái tạo video không gian - thời gian.
  • Phương pháp luận nghiên cứu: Đưa ra quy trình chuẩn hóa 4 pha có khả năng tái sử dụng độc lập hoặc tích hợp trong các bài toán thị giác máy tính khác như phân tích hành động (action recognition), tóm tắt video tự động (video summarization), và giám sát an ninh thông minh.
  • Ứng dụng thực tiễn công nghiệp:
    • Công nghiệp Truyền hình & Thể thao: Triển khai hệ thống chèn biển quảng cáo ảo (virtual billboard insertion) trực tiếp vào các trận thi đấu thể thao theo thời gian thực mà không cần lắp đặt vật lý tại sân vận động.
    • Hậu kỳ Điện ảnh & Truyền thông OTT: Tự động hóa quá trình xóa bỏ bản quyền thương hiệu (trademark replacement/removal), thay thế sản phẩm tài trợ linh hoạt theo từng thị trường phân phối địa phương.
  • Ý nghĩa chính sách và tiêu chuẩn: Cung cấp cơ sở khoa học để xây dựng tiêu chuẩn kiểm duyệt nội dung số, phát hiện và kiểm soát các nội dung chèn ghép quảng cáo tự động trên không gian mạng.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  1. Giả định đối tượng 2D phẳng/cong cục bộ: Mô hình nhận dạng hình dáng và trích xuất hiện tại tập trung chủ yếu vào các đối tượng có thể mô hình hóa bằng phép biến đổi 2D hoặc phép chiếu phối cảnh, chưa xử lý hoàn hảo các đối tượng 3D biến dạng phi tuyến phức tạp (ví dụ: vật thể chuyển động xoay đa chiều với bề mặt phản xạ ánh sáng mạnh).
  2. Ràng buộc kích thước đối tượng: Thuật toán được tối ưu cho dải kích thước từ 20px đến 400px; với các đối tượng vi mô ($<20$ px), tỷ lệ đặc trưng ngữ nghĩa bị suy giảm mạnh do bước nhảy pooling trong DCNN.
  3. Phụ thuộc vào dữ liệu mẫu offline: Cơ chế nhận dạng hình dáng yêu cầu xây dựng trước tập dữ liệu biến thể của đối tượng đích, làm giảm tính linh hoạt khi gặp các đối tượng hoàn toàn mới ngoài cơ sở dữ liệu.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển mô hình tích hợp hoàn chỉnh từ đầu đến cuối (End-to-End Joint Training) kết hợp trực tiếp giữa bộ dò tìm YOLO-Adv và bộ sinh V-RBPconv.
  • Mở rộng thuật toán sang không gian 3D Mesh và Neural Radiance Fields (NeRF) để tái tạo đối tượng với nguồn sáng động và tương tác vật lý chân thực.
  • Tối ưu hóa mô hình phục vụ triển khai trên thiết bị nhúng (Edge Computing) và thiết bị di động với mức tiêu thụ năng lượng thấp.
  • Nghiên cứu cơ chế tự sinh đối tượng đích bằng mô hình khuếch tán (Diffusion Models) thay thế cho việc đối sánh cơ sở dữ liệu có sẵn.

Tác động và ảnh hưởng

  • Tác động học thuật: Công trình đóng góp 6 bài báo khoa học chuyên ngành (CT1 đến CT6), mở ra hướng tiếp cận mới trong việc kết hợp lượng tử hóa vector nhiều tầng với mạng nơron tích chập sâu.
  • Chuyển đổi công nghiệp: Tạo tiền đề kỹ thuật cho các doanh nghiệp AdTech và các đài truyền hình số phát triển nền tảng quảng cáo ngữ cảnh động (Dynamic Contextual In-Video Advertising), ước tính có thể gia tăng doanh thu khai thác vị trí quảng cáo trong video lên từ 30% đến 45% so với hình thức truyền thống.
  • Lợi ích xã hội: Nâng cao chất lượng trải nghiệm xem của công chúng bằng cách loại bỏ các đoạn quảng cáo cắt ngang mạch cảm xúc, bảo tồn tính thẩm mỹ của các tác phẩm điện ảnh và thể thao.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học Thị giác Máy tính: Tiếp cận cấu trúc chi tiết của giải thuật PSVQ, mã nguồn mạng YOLO-Adv cải tiến và kỹ thuật V-RBPconv để phát triển các đề tài chuyên sâu.
  • Kỹ sư R&D trong ngành AdTech & Xử lý Đa phương tiện: Ứng dụng trực tiếp quy trình 4 pha vào các hệ thống biên tập hậu kỳ video tự động, giảm thiểu 80% thời gian chỉnh sửa thủ công.
  • Các nhà đài và Đơn vị phát sóng trực tuyến (OTT Platforms): Sở hữu giải pháp công nghệ để cá nhân hóa quảng cáo theo vị trí địa lý của người xem trên các luồng truyền hình trực tiếp.
  • Cơ quan quản lý truyền thông: Nắm bắt nguyên lý kỹ thuật để xây dựng khung pháp lý về quản lý vị trí quảng cáo và nhận diện nội dung biến đổi trong môi trường số.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là phát triển phương pháp lượng tử hóa tích đề các cụm vector (PSVQ) kết hợp cây phân cụm thứ bậc, mở rộng trực tiếp Lý thuyết Lượng tử hóa Tích đề các (Product Quantization Theory) của Jégou et al. (2011). Luận án giải quyết triệt để bài toán suy giảm độ chính xác và chi phí bộ nhớ lớn khi huấn luyện codebook trên không gian đặc trưng số chiều cực lớn ($D=4096$).

2. Sự đổi mới về phương pháp luận so với ít nhất 2 nghiên cứu quốc tế trước đây?

So với nghiên cứu LOGO-Net (Hoi et al., 2015) dùng Fast R-CNN vốn có tốc độ chậm và SSD Logo Detection (Bombonato et al., 2017) dễ mất dấu đối tượng biến dạng, luận án đổi mới toàn diện cấu trúc mạng một trạng thái YOLO-Adv: tái thiết kế hàm loss phân loại kết hợp trích xuất đặc trưng đa mức, đồng thời thay thế bộ dò tìm điểm thô SIFT/SURF bằng cấu trúc lập chỉ mục PSVQ, giúp hệ thống đồng thời đạt độ chính xác cao và tần số xử lý thời gian thực ($>30$ fps).

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm với minh chứng dữ liệu?

Phát hiện bất ngờ là việc sử dụng cấu trúc tích chập từng phần mở rộng trong mô hình V-RBPconv không những giải quyết được các vùng phá hủy dạng khối lớn mà còn đạt hiệu năng tái tạo vượt trội đối với các mặt nạ tự do dạng đường kẻ mảnh, đường cong và vết xước (Free-form masks). Trên tập dữ liệu Places2 và FVI, chỉ số PSNR đạt mức tăng trưởng đột biến, cao hơn mô hình 3DGated từ 1.8 đến 2.6 dB mà không phát sinh hiện tượng nhấp nháy quang học giữa các khung hình liên tiếp.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) không?

Có. Toàn bộ thông số kiến trúc mạng (kích thước grid cell $S \times S$, cấu hình anchor boxes, các tầng tích chập), siêu tham số huấn luyện (learning rate, hàm tối ưu, trọng số hàm loss), cấu trúc phân rã không gian con ($M=8, K=256$), cũng như thông số phần cứng thực nghiệm trên các tập dữ liệu FlickrLogos-47, ANN_GIST, VGG, Places2 và FVI đều được mô tả chi tiết, minh bạch trong các bảng thông số và biểu đồ của luận án.

5. Định hướng nghiên cứu 10 năm tới được phác thảo như thế nào?

Chiến lược 10 năm tập trung vào: (1) Chuyển dịch toàn diện từ xử lý 2D/phối cảnh sang mô hình hóa 3D Mesh tương tác hoàn chỉnh; (2) Tích hợp công nghệ NeRF và Generative AI để tự động sinh đối tượng 3D phù hợp hoàn hảo với trường ánh sáng động của video; (3) Tối ưu hóa thuật toán đạt chuẩn Ultra HD 4K/8K trên kiến trúc tính toán biên phân tán.

Kết luận

  1. Xây dựng thành công mô hình tổng thể 4 pha tự động hóa hoàn toàn quy trình phát hiện và thay thế đối tượng quảng cáo trong video số chuẩn MPEG-4.
  2. Cải tiến mô hình dò tìm đối tượng một trạng thái YOLO-Adv, xác lập bước tiến mới về cân bằng giữa tốc độ thời gian thực ($>30$ fps) và độ chính xác cao (mAP $>80%$) trên tập dữ liệu FlickrLogos-47.
  3. Đề xuất giải thuật lượng tử hóa tích đề các cụm vector (PSVQ) kết hợp cây phân cụm thứ bậc, giải quyết triệt để bài toán đối sánh vector đặc trưng 4096 chiều với sai số MSE tối thiểu và tốc độ tìm kiếm ANN vượt bậc.
  4. Phát triển mô hình hoàn thiện video V-RBPconv, chứng minh tính ưu việt trong việc tái tạo các vùng trống có hình dạng bất kỳ, bảo toàn tính nhất quán không gian và thời gian của chuỗi khung hình.
  5. Kiểm chứng toàn diện hệ thống trên các tập dữ liệu chuẩn mực quốc tế (FlickrLogos-47, PASCAL VOC2012, ANN_GIST, Places2, FVI), khẳng định tính khả thi và độ tin cậy khoa học cao.
  6. Mở ra 3 hướng nghiên cứu chuyên sâu: Tích hợp mô hình đầu-cuối đa nhiệm (End-to-End Multi-Task Deep Networks), Tái tạo đối tượng 3D thích ứng nguồn sáng động, và Triển khai thuật toán xử lý video thời gian thực trên nền tảng tính toán biên.