Phát Sinh Ảnh Độ Phân Giải Cao Sử Dụng Mạng Đối Kháng

Khóa luận trình bày phương pháp phát sinh ảnh độ phân giải cao bằng mạng đối sinh, ứng dụng trong khoa học máy tính và công nghệ hình ảnh.

• Tác giả: Lê Nhất Minh
• Người hướng dẫn: TS. Mai Tiến Dũng
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phát Sinh Ảnh Độ Phân Giải Cao Sử Dụng Mạng Đối Sinh
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Giới thiệu tổng quan
• 1.2. Mô tả bài toán
• 1.3. Đối tượng, phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Mục tiêu
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Phát sinh ảnh độ phân giải cao
• 2.2. Kỹ thuật Học sâu
• 2.3. Ứng dụng của Học sâu trong SISR
• 2.4. Phương pháp không sử dụng học sâu
• 2.5. Phương pháp sử dụng học sâu
• 2.6. Mô hình hoá tác vụ SISR
• 3. CHƯƠNG 3: BỘ PHÁT SINH
• 3.1. Độ lỗi mạng đối sinh
• 3.2. Mô hình cho bài toán tái tạo ảnh độ phân giải cao
• 4. CHƯƠNG 4: THIẾT LẬP THỰC NGHIỆM
• 4.1. Tập dữ liệu cho lĩnh vực Image Super Resolution
• 4.2. Tập dữ liệu huấn luyện
• 4.3. Thu thập dữ liệu
• 4.4. Thiết lập thực nghiệm
• 4.5. Tạo ảnh độ phân giải thấp
• 4.6. Huấn luyện mô hình
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Phương pháp đánh giá
• 5.2. Độ lỗi tri giác (Perceptual Loss)
• 5.3. Peak Signal-to-Noise Ratio
• 5.4. Structural Similarity Index Measure
• 5.5. Mean Opinion Score
• 5.6. Kết quả thực nghiệm
• 6. CHƯƠNG 6: KẾT LUẬN
• 6.1. Hướng phát triển trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu tổng quan về phát sinh ảnh độ phân giải cao

Phát sinh ảnh độ phân giải cao là một lĩnh vực quan trọng trong xử lý ảnh, đặc biệt trong bối cảnh công nghệ ngày càng phát triển. Kỹ thuật này cho phép tạo ra hình ảnh có độ phân giải cao từ hình ảnh có độ phân giải thấp, giúp cải thiện chất lượng hình ảnh trong nhiều ứng dụng khác nhau. Sự phát triển của mạng đối kháng (GAN) đã mở ra nhiều cơ hội mới cho việc nâng cao chất lượng hình ảnh, từ đó tạo ra những sản phẩm hình ảnh chất lượng cao hơn.

1.1. Định nghĩa và tầm quan trọng của phát sinh ảnh

Phát sinh ảnh độ phân giải cao (Super Resolution) là quá trình khôi phục hình ảnh có độ phân giải cao từ hình ảnh có độ phân giải thấp. Kỹ thuật này rất quan trọng trong các lĩnh vực như y tế, giám sát an ninh và giải trí, nơi mà chất lượng hình ảnh là yếu tố quyết định.

1.2. Lịch sử phát triển của kỹ thuật phát sinh ảnh

Kỹ thuật phát sinh ảnh đã có từ lâu, nhưng sự phát triển của học sâu đã làm thay đổi cách tiếp cận vấn đề này. Các mô hình như SRCNN, VDSR và gần đây là SRGAN đã chứng minh khả năng tạo ra hình ảnh chất lượng cao từ dữ liệu đầu vào có độ phân giải thấp.

II. Vấn đề và thách thức trong phát sinh ảnh độ phân giải cao

Mặc dù có nhiều tiến bộ trong lĩnh vực phát sinh ảnh, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Các vấn đề như độ chính xác trong việc tái tạo chi tiết, thời gian xử lý và khả năng tổng quát của mô hình vẫn là những yếu tố quan trọng cần được nghiên cứu.

2.1. Độ chính xác trong việc tái tạo chi tiết hình ảnh

Một trong những thách thức lớn nhất là làm sao để tái tạo các chi tiết nhỏ trong hình ảnh mà không làm mất đi tính chân thực. Việc này đòi hỏi các thuật toán phải có khả năng phân tích và hiểu rõ nội dung hình ảnh.

2.2. Thời gian xử lý và hiệu suất của mô hình

Thời gian xử lý là một yếu tố quan trọng trong việc áp dụng các mô hình phát sinh ảnh. Các mô hình phức tạp thường yêu cầu thời gian tính toán lâu hơn, điều này có thể gây khó khăn trong các ứng dụng thực tế.

III. Phương pháp phát sinh ảnh độ phân giải cao sử dụng mạng đối kháng

Mạng đối kháng (GAN) đã trở thành một trong những phương pháp hiệu quả nhất trong việc phát sinh ảnh độ phân giải cao. Phương pháp này sử dụng hai mạng: một mạng sinh và một mạng phân biệt, để cải thiện chất lượng hình ảnh đầu ra.

3.1. Cấu trúc của mạng đối kháng

Mạng đối kháng bao gồm hai phần chính: mạng sinh tạo ra hình ảnh và mạng phân biệt đánh giá chất lượng hình ảnh. Sự cạnh tranh giữa hai mạng này giúp cải thiện chất lượng hình ảnh đầu ra.

3.2. Ứng dụng của GAN trong phát sinh ảnh

GAN đã được áp dụng rộng rãi trong nhiều lĩnh vực, từ nghệ thuật đến y tế. Việc sử dụng GAN giúp tạo ra hình ảnh có độ phân giải cao với chi tiết rõ nét, mang lại giá trị thực tiễn cao.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu về phát sinh ảnh độ phân giải cao đã cho thấy nhiều kết quả khả quan. Các mô hình như SRGAN đã chứng minh khả năng tạo ra hình ảnh chất lượng cao từ dữ liệu đầu vào có độ phân giải thấp, mở ra nhiều cơ hội ứng dụng trong thực tiễn.

4.1. Kết quả từ các mô hình phát sinh ảnh

Các mô hình phát sinh ảnh hiện tại đã cho thấy sự cải thiện rõ rệt về chất lượng hình ảnh so với các phương pháp truyền thống. Kết quả này được đánh giá thông qua các chỉ số như PSNR và SSIM.

4.2. Ứng dụng trong các lĩnh vực khác nhau

Phát sinh ảnh độ phân giải cao có thể được ứng dụng trong nhiều lĩnh vực như y tế, giám sát an ninh và truyền thông. Việc cải thiện chất lượng hình ảnh có thể giúp nâng cao hiệu quả trong các quyết định quan trọng.

V. Kết luận và hướng phát triển trong tương lai

Phát sinh ảnh độ phân giải cao là một lĩnh vực đầy tiềm năng với nhiều cơ hội phát triển. Các nghiên cứu hiện tại đã mở ra nhiều hướng đi mới, nhưng vẫn cần tiếp tục cải tiến để giải quyết các thách thức còn tồn tại.

5.1. Tương lai của phát sinh ảnh độ phân giải cao

Với sự phát triển không ngừng của công nghệ, tương lai của phát sinh ảnh độ phân giải cao hứa hẹn sẽ mang lại nhiều cải tiến đáng kể. Các mô hình mới sẽ tiếp tục được phát triển để nâng cao chất lượng hình ảnh.

5.2. Các nghiên cứu tiếp theo cần thực hiện

Cần có thêm nhiều nghiên cứu để cải thiện độ chính xác và hiệu suất của các mô hình phát sinh ảnh. Việc tìm kiếm các phương pháp mới và cải tiến các mô hình hiện tại sẽ là hướng đi quan trọng trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong hệ thống tiếp nhận thông tin của con người, dữ liệu đa phương tiện từ thị giác—đặc biệt là hình ảnh và video—chiếm tỷ trọng ưu thế và chứa đựng lượng thông tin lớn. Cùng với sự phổ cập của các thiết bị thông minh và màn hình hiển thị thế hệ mới, nhu cầu tiếp cận hình ảnh ở độ phân giải cao (từ chuẩn HD $1280 \times 720$ pixels trở lên, Full HD $1920 \times 1080$ pixels, đến 4K và 8K) không ngừng gia tăng. Tuy nhiên, do giới hạn về băng thông truyền tải và dung lượng lưu trữ, phần lớn dữ liệu hình ảnh trong thực tế vẫn bị nén, lưu trữ hoặc thu nhận ở độ phân giải thấp (Low Resolution - LR) với chất lượng suy giảm.

Để giải quyết mâu thuẫn giữa nhu cầu hiển thị và giới hạn lưu trữ, bài toán Tái tạo ảnh siêu độ phân giải (Super Resolution - SR) được đặt ra trong lĩnh vực thị giác máy tính. Bài toán hướng tới mục tiêu khôi phục hình ảnh độ phân giải cao (High Resolution - HR) giàu chi tiết từ các phiên bản độ phân giải thấp tương ứng. Dựa trên số lượng ảnh đầu vào, bài toán được phân định thành xử lý đa ảnh (Multi Image Super Resolution - MISR) và xử lý đơn ảnh (Single Image Super Resolution - SISR). Trong khi MISR đòi hỏi nhiều khung hình chụp tĩnh với các thao tác căn chỉnh phức tạp và tốc độ tính toán chậm, SISR có tính ứng dụng thực tiễn cao hơn nhưng là một bài toán nghịch đảo thiếu xác định nghiêm trọng (ill-posed problem).

Các phương pháp SISR truyền thống (như nội suy Bicubic) hoặc các mô hình học sâu sơ khởi (như SRCNN, VDSR, SRResNet) chủ yếu tập trung tối ưu hóa hàm sai số toàn phương trung bình (Mean Squared Error - MSE) nhằm đạt chỉ số đỉnh tín hiệu trên nhiễu (PSNR) cao. Tuy nhiên, việc tối ưu hóa điểm ảnh đơn thuần thường dẫn đến hiện tượng ảnh bị làm mịn quá mức, mờ biên cạnh và triệt tiêu các kết cấu tần số cao, khiến chất lượng cảm nhận thị giác (perceptual quality) chưa đạt mức độ chân thực. Khóa luận tốt nghiệp của tác giả Lê Nhất Minh và Trần Việt Hùng tập trung nghiên cứu, cài đặt và đánh giá mô hình Mạng đối sinh cho siêu độ phân giải (Super Resolution Generative Adversarial Network - SRGAN) nhằm khắc phục các nhược điểm nêu trên.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể theo 6 nhiệm vụ:

1. Xác định các thông tin cơ bản, những thách thức đặt ra và hệ thống phương pháp nghiên cứu áp dụng cho bài toán.
2. Tìm hiểu kỹ thuật tái tạo ảnh siêu độ phân giải và phương pháp mạng đối sinh (Generative Adversarial Network - GAN).
3. Cài đặt hoàn chỉnh ứng dụng có khả năng phát sinh ảnh độ phân giải cao từ ảnh đầu vào có độ phân giải thấp.
4. Ước lượng và đánh giá chất lượng hình ảnh độ phân giải cao thông qua các thước đo chuyên dụng.
5. So sánh hiệu năng của mô hình GAN với các phương pháp phổ biến khác trên các tập dữ liệu chuẩn (VOC2012, Set5, Set14, BSD100, Urban100, Sunhays80...).
6. Rút ra ưu điểm, nhược điểm của mô hình và đề xuất định hướng nghiên cứu tiếp theo.

Đối tượng nghiên cứu của khóa luận là quá trình phát sinh hình ảnh độ phân giải cao từ hình ảnh độ phân giải thấp, đặc trưng của các tập dữ liệu ảnh chuẩn và mô hình học sâu SRGAN được phát triển trên nền tảng mạng GAN. Phạm vi nghiên cứu giới hạn trong bài toán tái tạo đơn ảnh (SISR), tập trung vào dữ liệu ảnh tĩnh (không xử lý video hay văn bản ngôn ngữ), xử lý tình trạng ảnh bị mờ trong điều kiện ánh sáng ban ngày đầy đủ đối với ảnh ngoài trời và đa dạng góc nhìn. Đề tài được triển khai thực hiện trong giai đoạn từ ngày 24/08/2020 đến ngày 18/01/2021 tại Khoa Khoa học Máy tính, Trường Đại học Công nghệ Thông tin - Đại học Quốc gia Thành phố Hồ Chí Minh.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng dựa trên mô hình toán học của quá trình suy giảm chất lượng hình ảnh trong bài toán SISR. Ảnh độ phân giải thấp $I_{LR}$ được mô hình hóa qua phương trình ánh xạ: $$I_{LR} = D(I_{HR}; \delta) = (I_{HR} \otimes k) \downarrow_s + n$$ Trong đó, $D$ biểu diễn hàm suy giảm; $I_{HR}$ là ảnh gốc độ phân giải cao; $\delta$ bao gồm các tham số suy giảm; phép toán $\otimes k$ thể hiện tích chập giữa ảnh gốc với nhân làm mờ Gaussian $k$; toán tử $\downarrow_s$ biểu thị thao tác giảm mẫu không gian theo tỷ lệ $s$; và $n$ là thành phần nhiễu độc lập.

Về khung lý thuyết học sâu, đề tài tổng thuật quá trình phát triển từ mạng nơ-ron nhân tạo truyền thống (ANN), mạng nơ-ron tích chập (CNN), mạng tích chập hoàn toàn (FCNN), đến mạng nơ-ron dư thừa (ResNet). Tác giả phân tích cơ chế hoạt động của các phương pháp tiêu biểu:

• Phương pháp nội suy phi học sâu: Nearest Neighbor, Bilinear và Bicubic Interpolation. Các phương pháp này ước lượng cường độ điểm ảnh dựa trên lân cận cục bộ, dễ triển khai nhưng làm mờ cấu trúc biên và tạo ra ảnh thiếu tự nhiên.
• Mạng tích chập siêu phân giải (SRCNN): Sử dụng kiến trúc FCNN với ba tầng tích chập để thực hiện trích xuất mẩu ảnh, ánh xạ phi tuyến và tái tạo, huấn luyện dựa trên hàm mất mát MSE giữa ảnh Bicubic HR và ảnh HR gốc.
• Mạng siêu phân giải rất sâu (VDSR): Mở rộng độ sâu lên 20 lớp tích chập, áp dụng cơ chế học phần dư (residual learning) để dự đoán sự khác biệt giữa ảnh HR và ảnh phóng đại Bicubic, giúp tăng tốc độ hội tụ và giảm độ phức tạp tính toán.
• Mạng SRResNet: Kết hợp kiến trúc mạng phần dư gồm 16 khối Residual Block và toán tử tích chập dưới điểm ảnh (Sub-pixel Convolution hay pixel shuffle) để định hình lại tensor từ không gian đặc trưng sang không gian ảnh phân giải cao mà không dùng phép tích chập chuyển vị.
• Mạng đối sinh (GAN) và mô hình SRGAN: Xây dựng trên lý thuyết trò chơi hai người có tổng bằng không (zero-sum game) giữa hai thành phần: Mạng sinh (Generator - $G$) và Mạng phân biệt (Discriminator - $D$). Mục tiêu tối ưu hóa toàn diện được xác định theo công thức minimax: $$\min_G \max_D V(D, G) = \mathbb{E}{I{HR} \sim p_{train}(I_{HR})}[\log D(I_{HR})] + \mathbb{E}{I{LR} \sim p_G(I_{LR})}[\log(1 - D(G(I_{LR})))]$$ Hệ thống đạt điểm cân bằng Nash khi mạng phân biệt không thể phân biệt được ảnh do mạng sinh tạo ra với ảnh thật ($D(G(I_{LR})) \to 0.5$).

Khóa luận vận dụng hệ thống sáu phương pháp nghiên cứu chính:

1. Phương pháp tổng luận: Khảo sát các công trình học thuật trong nước và quốc tế để định vị bài toán, xác định các nút thắt kỹ thuật và lựa chọn kiến trúc mạng phù hợp.
2. Phương pháp máy học: Phân tích toán học các giải thuật học sâu, thiết lập hàm mất mát tri giác (Perceptual Loss) kết hợp giữa Content Loss và Adversarial Loss.
3. Phương pháp xử lý ảnh: Tiền xử lý dữ liệu, làm mờ, cắt mẩu ảnh và biến đổi kích thước không gian nhằm tạo lập các cặp dữ liệu huấn luyện và kiểm thử.
4. Phương pháp thống kê: Phân tích cấu trúc phân phối, số lượng mẫu và định dạng tệp trên các bộ dữ liệu tiêu chuẩn.
5. Phương pháp so sánh: Đối chiếu kết quả thực nghiệm giữa SRGAN với các phương pháp cơ sở dựa trên hệ thống chỉ số định lượng và kiểm định trực quan.
6. Phương pháp thực nghiệm: Cài đặt mã nguồn, huấn luyện mô hình trên hạ tầng tính toán đồ họa và kiểm tra đánh giá lỗi hội tụ qua từng chu kỳ (epochs).

Nguồn dữ liệu thực nghiệm được thu thập từ các bộ dữ liệu công cộng phổ biến trong thị giác máy tính: tập dữ liệu huấn luyện lớn MS-COCO 2014, cùng các tập dữ liệu kiểm chuẩn Set5, Set14, BSD100, VOC2012, DIV2K, PIRM và BSDS300.

Thiết kế và triển khai mô hình thực nghiệm

Khóa luận tiến hành thiết kế và cài đặt hệ thống học sâu trên môi trường điện toán đám mây Google Colaboratory với phần cứng tăng tốc GPU NVIDIA Tesla V100 dung lượng 32GB VRAM và 25GB RAM hệ thống, sử dụng ngôn ngữ lập trình Python phiên bản 3.

Quy trình triển khai mô hình SRGAN được cấu trúc gồm hai mạng nơ-ron chính:

1. Kiến trúc Mạng sinh (Generator Network):

• Mạng sử dụng cấu trúc lõi là mạng dư thừa (ResNet) gồm 16 khối phần dư (Residual Blocks) liên kết với nhau qua các đường kết nối tắt (Skip Connections).
• Mỗi khối phần dư tích hợp 2 lớp tích chập với kích thước nhân nhỏ $3 \times 3$, sử dụng 64 bản đồ đặc trưng (feature maps) kết hợp chuẩn hóa theo lô (Batch Normalization) và hàm kích hoạt tham số PReLU (Parametric ReLU).
• Lớp tích chập đầu vào và đầu ra của mạng sinh sử dụng kích thước nhân lớn $9 \times 9$.
• Quá trình nâng kích thước ảnh lên tỷ lệ $4\times$ được thực hiện bởi 2 khối tích chập Sub-pixel Convolution liên tiếp thay vì sử dụng phép tích chập chuyển vị hoặc nội suy truyền thống.

2. Kiến trúc Mạng phân biệt (Discriminator Network):

• Được thiết kế dựa trên cấu trúc mạng tích chập sâu phân loại (tương tự kiến trúc DCGAN và VGG) với 8 lớp tích chập liên tiếp.
• Kích thước nhân tích chập đồng nhất là $3 \times 3$, số lượng kênh đặc trưng tăng lũy tiến từ 64 lên 512 (gấp đôi sau mỗi tầng).
• Mạng áp dụng bước nhảy (stride = 2) ở các tầng trung gian nhằm giảm kích thước không gian mà không làm mất thông tin như toán tử pooling.
• Sử dụng hàm kích hoạt phi tuyến LeakyReLU trên toàn bộ các lớp tích chập. Ngõ ra của 512 bản đồ đặc trưng được kết nối vào 2 lớp kết nối đầy đủ (Dense layer) và đi qua hàm kích hoạt Sigmoid để tính toán xác suất nhị phân (phân biệt ảnh thật HR hay ảnh giả tạo ra từ Generator).

Hệ thống tham số huấn luyện mô hình được tác giả thiết lập theo bảng thông số chuẩn sau:

STT	Tên tham số	Giá trị	Diễn giải kỹ thuật
1	scaling factor	4	Tỷ lệ trích xuất thông tin và giảm kích thước từ ảnh HR xuống ảnh LR
2	large_kernel_size_g	9	Kích thước nhân kernel của lớp tích chập đầu và cuối trong mạng Generator
3	small_kernel_size_g	3	Kích thước nhân kernel của tất cả các lớp tích chập trung gian trong Generator
4	n_blocks_g	16	Số lượng khối phần dư (Residual Blocks) được tích hợp trong mạng Generator
5	kernel_size_d	3	Kích thước nhân kernel trên toàn bộ các khối tích chập trong Discriminator

Chiến lược huấn luyện được thực hiện qua hai giai đoạn: Tác giả tiến hành cài đặt và huấn luyện độc lập mô hình SRResNet trước nhằm tối ưu hóa hàm lỗi nội dung MSE. Trọng số của mô hình SRResNet sau đó được sử dụng làm mô hình khởi tạo nạp sẵn (pre-trained model) cho mạng sinh của SRGAN. Quy trình này giúp quá trình huấn luyện đối kháng sau đó tránh được trạng thái mất cân bằng hoặc sụp đổ phân phối (mode collapse), giúp hàm mất mát đối kháng hội tụ ổn định.

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương 1 thiết lập bức tranh tổng thể về đề tài nghiên cứu. Tác giả trình bày chi tiết sự cần thiết của việc tái tạo ảnh siêu độ phân giải trong bối cảnh các thiết bị ghi hình và hiển thị phát triển vượt bậc nhưng dung lượng lưu trữ còn hạn chế. Nội dung chương phân biệt rõ ràng hai hướng tiếp cận SISR và MISR, nêu bật tính ứng dụng của SISR trong các hệ thống an ninh, phân tích ảnh y tế và các tác vụ thị giác máy tính như nhận dạng vật thể. Chương này xác định đầy đủ 6 mục tiêu, đối tượng, phạm vi nghiên cứu thực nghiệm, phương pháp tiếp cận và cấu trúc tổng thể 6 chương của luận văn.

Chương 2: Cơ sở lý thuyết

Chương 2 tập trung hệ thống hóa toàn bộ lý thuyết liên quan đến bài toán SISR và kỹ thuật học sâu. Tác giả phân tích toán học cơ chế suy giảm chất lượng ảnh thông qua phép toán tích chập với bộ lọc Gaussian và toán tử lấy mẫu giảm. Chương khảo sát chi tiết ba nhóm phương pháp: các thuật toán nội suy cổ điển (Nearest Neighbor, Bilinear, Bicubic); các mạng tích chập sâu đời đầu (SRCNN với cấu trúc 3 tầng tích chập FCNN; VDSR với 20 tầng tích chập học phần dư gradient cao); và kiến trúc SRResNet kết hợp toán tử Sub-pixel Convolution. Tác giả chỉ ra nhược điểm cốt lõi của các phương pháp tối ưu hóa hàm tổn thất MSE là tạo ra hiện tượng làm mờ bề mặt và thiếu hụt chi tiết tần số cao.

Chương 3: Mạng đối sinh

Chương 3 đi sâu vào nguyên lý mô hình hóa tác vụ sinh (Generative Model) và kiến trúc mạng đối sinh (GAN). Tác giả làm rõ cơ chế trò chơi đối kháng giữa mạng sinh và mạng phân biệt, thiết lập các biểu thức toán học cho hàm mất mát của bộ phát sinh, bộ phân biệt và phân tích điều kiện đạt trạng thái cân bằng Nash. Trọng tâm của chương là thiết kế mô hình SRGAN dành riêng cho bài toán khôi phục ảnh đơn độ phân giải cao. Nội dung trình bày chi tiết sơ đồ khối của mạng Generator (16 residual blocks, skip connections, PReLU), mạng Discriminator (8 tầng tích chập, LeakyReLU, Sigmoid) và cấu trúc hàm mất mát tri giác (Perceptual Loss) tổng hòa giữa Content Loss và Adversarial Loss.

Chương 4: Thiết lập thực nghiệm

Chương 4 cung cấp toàn bộ quy trình chuẩn bị dữ liệu và cấu hình môi trường thực nghiệm. Tác giả tiến hành thống kê, khảo sát các bộ dữ liệu chuyên dụng trong lĩnh vực SISR:

Bộ dữ liệu	Số lượng ảnh	Độ phân giải trung bình	Điểm ảnh trung bình	Định dạng	Nhóm chủ đề phân loại
DIV2K	1.000	(1972, 1437)	2.793.250	PNG	Môi trường, thực vật, động vật, vật thể nhân tạo...
PIRM	200	(617, 482)	292.021	PNG	Môi trường, thực vật, phong cảnh tự nhiên, con người...
Set5	5	(313, 336)	113.491	PNG	Em bé, chim muông, bướm, chân dung đầu, phụ nữ
Set14	14	(492, 446)	230.203	PNG	Con người, động vật, côn trùng, hoa lá, tranh truyện...
BSDS300	300	(435, 367)	154.401	JPG	Động vật, công trình, ẩm thực, phong cảnh, con người

Để phục vụ huấn luyện mô hình học sâu quy mô lớn, nhóm tác giả chọn tập dữ liệu MS-COCO 2014, gộp 82.783 ảnh huấn luyện và 38.812 ảnh kiểm định để hình thành tập dữ liệu hoàn chỉnh gồm 121.595 mẫu ảnh nguyên bản. Chương này cũng mô tả chi tiết hạ tầng phần cứng GPU Tesla V100 32GB, cấu hình tham số mạng và quy trình tiền huấn luyện SRResNet để nạp trọng số khởi tạo cho SRGAN.

Chương 5: Kết quả thực nghiệm

Chương 5 trình bày toàn bộ kết quả đo đạc, kiểm thử và phân tích hiệu năng của các mô hình. Các phương pháp đánh giá được thiết lập gồm: độ đo kỹ thuật khách quan PSNR (đo tỷ số tín hiệu cực đại trên nhiễu), SSIM (đo độ tương đồng cấu trúc), phân tích động thái hàm mất mát qua các epoch (Content loss, Adversarial loss, Discriminator loss) và phương pháp đánh giá thị giác chủ quan MOS (Mean Opinion Score). Tác giả tiến hành so sánh đối chiếu định lượng và định tính giữa các mô hình Bicubic, SRCNN, SRResNet, SRGAN với ảnh gốc HR trên các tập dữ liệu chuẩn (Set5, Set14, BSD100, Urban100, Sunhays80, DIV2K), đồng thời phân tích tác động của việc thay đổi tập dữ liệu huấn luyện từ VOC2012 sang MS-COCO.

Chương 6: Kết luận

Chương 6 đúc kết các phát hiện khoa học của khóa luận, khẳng định tính hiệu quả của mô hình mạng đối sinh trong việc tái tạo chi tiết ảnh chân thực cho bài toán SISR tỷ lệ $4\times$. Tác giả chỉ ra các hạn chế thực tế về phạm vi thử nghiệm, chi phí tính toán phần cứng và đề xuất các hướng phát triển kỹ thuật trong tương lai.

Kết quả và đóng góp

Khóa luận ghi nhận các kết quả thực nghiệm nổi bật gắn liền với số liệu cụ thể:

• Khảo sát và chuẩn hóa dữ liệu quy mô lớn: Xây dựng tập dữ liệu huấn luyện hoàn chỉnh gồm 121.595 ảnh trích xuất từ MS-COCO 2014 (kết hợp 82.783 ảnh train và 38.812 ảnh val), bảo đảm tính đa dạng về góc nhìn và đối tượng trong điều kiện ánh sáng tự nhiên.
• Hiện tượng đánh đổi giữa chỉ số kỹ thuật và chất lượng cảm nhận thị giác: Các kết quả thực nghiệm trên các tập Set5, Set14, BSD100 chỉ ra rằng các mô hình tối ưu theo hàm mất mát điểm ảnh MSE như SRResNet đạt điểm số PSNR và SSIM cao nhất, nhưng hình ảnh thu được có bề mặt bị làm phẳng mờ. Ngược lại, mô hình SRGAN tuy có điểm PSNR/SSIM thấp hơn một biên độ nhất định nhưng đạt điểm số đánh giá thị giác chủ quan MOS vượt trội, tạo ra các đường nét biên cạnh sắc nét và kết cấu chi tiết tiệm cận với ảnh gốc HR.
• Tác động của tập dữ liệu huấn luyện: So sánh thực nghiệm giữa việc huấn luyện trên tập VOC2012 và tập dữ liệu lớn MS-COCO chứng minh rằng mô hình SRGAN khi huấn luyện trên tập COCO có khả năng tổng quát hóa các đặc trưng hình ảnh tốt hơn, giảm thiểu các hiện tượng biến dạng cục bộ khi kiểm thử trên các tập dữ liệu độc lập.

Về mặt giải pháp kỹ thuật, tác giả đề xuất:

• Sử dụng chiến lược huấn luyện hai bước: tiền huấn luyện mạng nơ-ron dư thừa SRResNet với hàm lỗi MSE để tạo nền tảng đặc trưng ổn định trước, sau đó nạp trọng số sang mạng sinh của SRGAN nhằm ngăn ngừa sự phân kỳ trong giai đoạn huấn luyện đối kháng.
• Thay thế hàm mất mát điểm ảnh truyền thống bằng hàm mất mát tri giác (kết hợp tổn thất đặc trưng ngữ nghĩa và tổn thất đối kháng) cho các tác vụ khôi phục hình ảnh hướng tới đối tượng thụ hưởng là mắt người.

Đóng góp của đề tài thể hiện ở việc hệ thống hóa toàn diện cơ sở lý luận của kỹ thuật học sâu trong lĩnh vực SISR; cài đặt thành công cấu trúc mạng SRGAN phức tạp với tỷ lệ phóng đại $4\times$ trên hạ tầng GPU hiện đại; và cung cấp tập số liệu kiểm chuẩn đa chiều giữa các phương pháp từ nội suy truyền thống đến mạng nơ-ron tích chập và mạng đối sinh.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận thẳng thắn chỉ ra các hạn chế trong phạm vi thực hiện của đề tài:

• Nghiên cứu chỉ tập trung xử lý trên ảnh tĩnh đơn lẻ (SISR), chưa mở rộng sang lĩnh vực phục hồi video (VSR) vốn đòi hỏi xử lý thêm tính liên tục thời gian giữa các khung hình liên tiếp.
• Dữ liệu thực nghiệm mới chỉ bao quát các ảnh chụp rõ trong điều kiện đủ sáng ban ngày, chưa giải quyết triệt để các trường hợp ảnh chụp ban đêm, ảnh thiếu sáng nghiêm trọng hoặc ảnh bị nhiễu cảm biến phức tạp.
• Mô hình SRGAN đôi khi làm xuất hiện các cấu trúc gai nhỏ hoặc chi tiết tần số cao nhân tạo (artifacts) không hoàn toàn trùng khớp với bề mặt thực tế của ảnh gốc.
• Quá trình huấn luyện mạng đối sinh đòi hỏi tài nguyên tính toán lớn (GPU chuyên dụng Tesla V100), thời gian thực thi dài, gây khó khăn cho việc triển khai trên các thiết bị phần cứng hạn chế.

Các hướng phát triển tiếp theo được tác giả định hướng:

• Mở rộng thuật toán đối kháng để xử lý bài toán siêu độ phân giải cho dữ liệu video (Video Super Resolution).
• Nghiên cứu các biến thể kiến trúc mạng đối sinh nâng cao hơn (như ESRGAN) hoặc tích hợp cơ chế chú ý (Attention mechanism) nhằm triệt tiêu nhiễu tần số cao nhân tạo.
• Tối ưu hóa kích thước mô hình, giảm số lượng tham số để hỗ trợ ứng dụng trên các thiết bị di động và hệ thống nhúng trong điều kiện thời gian thực.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho:

• Sinh viên, học viên cao học và nghiên cứu viên thuộc các ngành Khoa học Máy tính, Công nghệ Thông tin, Trí tuệ Nhân tạo và Kỹ thuật Dữ liệu đang nghiên cứu chuyên sâu về Thị giác máy tính và Xử lý ảnh số.
• Các kỹ sư phát triển phần mềm trong lĩnh vực an ninh giám sát (nâng cao chất lượng ảnh camera), chẩn đoán hình ảnh y khoa (làm rõ chi tiết vi thể) và số hóa phục chế tư liệu ảnh lịch sử.

Các nội dung có giá trị tham khảo chuyên môn cao bao gồm:

• Toàn bộ bảng tham số cấu hình mạng Generator (16 residual blocks, nhân $9 \times 9$, $3 \times 3$, toán tử sub-pixel) và Discriminator (8 tầng tích chập, LeakyReLU, Sigmoid) tại Chương 4.
• Phương pháp phân tích toán học đối với hàm mất mát tri giác và nguyên lý cân bằng Nash trong mạng GAN tại Chương 3.
• Quy trình chuẩn bị và hợp nhất tập dữ liệu lớn MS-COCO cùng phương pháp thiết lập đánh giá kết hợp giữa thước đo kỹ thuật (PSNR, SSIM) và độ đo chủ quan (MOS) tại Chương 4 và Chương 5.

Câu hỏi thường gặp

1. Khóa luận tập trung giải quyết bài toán tái tạo ảnh đơn (SISR) hay đa ảnh (MISR), và vì sao? Khóa luận tập trung vào bài toán SISR (Single Image Super Resolution). Tác giả lựa chọn hướng tiếp cận này vì SISR chỉ yêu cầu một ảnh đầu vào chất lượng thấp duy nhất, tránh được các nhược điểm của MISR vốn đòi hỏi nhiều khung hình phải căn chỉnh chuyển động nghiêm ngặt và tốc độ xử lý chậm.

2. Mạng sinh (Generator) trong mô hình SRGAN của khóa luận có cấu trúc như thế nào? Mạng sinh được xây dựng dựa trên nguyên mẫu ResNet, bao gồm 16 khối phần dư (Residual Blocks) liên kết qua các đường kết nối tắt (skip connections). Mỗi khối chứa 2 lớp tích chập nhân $3 \times 3$ với 64 bản đồ đặc trưng, sử dụng hàm kích hoạt PReLU và 2 lớp tích chập Sub-pixel Convolution để nâng kích thước ảnh lên tỷ lệ $4\times$.

3. Nhóm tác giả đã sử dụng tập dữ liệu huấn luyện nào và quy mô mẫu là bao nhiêu? Nhóm tác giả sử dụng tập dữ liệu MS-COCO phiên bản 2014, tiến hành hợp nhất 82.783 ảnh từ tập huấn luyện (train set) và 38.812 ảnh từ tập kiểm định (validation set) để tạo thành tập dữ liệu huấn luyện hoàn chỉnh có quy mô 121.595 mẫu ảnh.

4. Tại sao mô hình SRGAN có điểm số PSNR và SSIM thấp hơn SRResNet nhưng vẫn được kết luận là cho kết quả tốt hơn về mặt cảm nhận? Mô hình SRResNet tối ưu hóa hàm lỗi toàn phương trung bình (MSE) giữa các điểm ảnh nên đạt điểm PSNR và SSIM cao hơn, nhưng hình ảnh đầu ra bị làm mịn quá mức và mất chi tiết biên cạnh. Ngược lại, SRGAN tối ưu hàm mất mát đối kháng và mất mát tri giác, giúp tái tạo các kết cấu tần số cao sắc nét và chân thực hơn đối với mắt người, thể hiện qua điểm số đánh giá ý kiến trung bình (MOS) cao hơn.

5. Môi trường phần cứng và công cụ nào đã được sử dụng để thực thi toàn bộ thử nghiệm? Toàn bộ thực nghiệm được nhóm tác giả lập trình bằng ngôn ngữ Python 3, triển khai trên nền tảng Google Colaboratory với phần cứng tăng tốc đồ họa GPU NVIDIA Tesla V100 32GB VRAM và 25GB RAM hệ thống.

Kết luận

Khóa luận tốt nghiệp "Phát sinh ảnh độ phân giải cao sử dụng mạng đối sinh" của sinh viên Lê Nhất Minh và Trần Việt Hùng đã giải quyết bài toán tái tạo ảnh đơn độ phân giải cao (SISR) ở tỷ lệ phóng đại $4\times$ thông qua mô hình học sâu SRGAN. Công trình đã làm rõ tính ưu việt của hàm mất mát tri giác so với các hàm mất mát điểm ảnh truyền thống trong việc khôi phục các kết cấu tần số cao giàu tính chân thực. Với quy trình thực nghiệm quy mô trên 121.595 mẫu ảnh MS-COCO và hệ thống đánh giá đa chiều kết hợp giữa chỉ số định lượng và điểm số MOS, khóa luận đóng góp nguồn tư liệu kỹ thuật hoàn chỉnh và đáng tin cậy cho các nghiên cứu tiếp theo trong lĩnh vực thị giác máy tính.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu Trình bày lý do chọn đề tài, mục tiêu, đối tượng phạm vi nghiên cứu, các phương pháp thực hiện và ý nghĩa khoa học thực tiễn. Chương 2: Cơ sở lý thuyết Phân tích các công trình nguyên cứu có liên quan đên bài toán tái tạo ảnh độ phân giải cao. Tông quan các kiên thức nên tảng của lĩnh vực Super Resolution, Deep Learning kèm ứng dụng và phân tích ưu nhược điêm của từng phương pháp. Mạng đối sinh Tổng quan mô hình hoá tác vụ sinh và mạng đối sinh, đề xuất mô hình Super Resolution Generative Adversarial Network (SRGAN) có nguồn gốc từ mô hình mạng đối sinh để giải quyết bài toán tái tạo ảnh độ phân giải cao.

Trình bày, phân tích các thành phần mô hình SRGAN, quá trình huấn luyện và quá trình hình thành kết quả đầu ra dé hình thành mô hình dùng cho bài toán tái tao ảnh độ phân giải cao. 11 Chương 4: Thiết lập thực nghiệm Trình bày các bước thực hiện thu thập dữ liệu, huấn luyện mô hình. Lựa chọn các công cụ phát triển, xử lý đầu vào để đưa vào chương trình; trình bày quá trình cài đặt chương trình, quá trình chạy thử nghiệm. Chương 5: Kết quả thực nghiệm Tiến hành thống kê, đánh giá các kết quả trong quá trình thực nghiệm đề đánh giá hiệu quả của mô hình.

Chương 6: Kết luận Tổng kết lại những kết quả đạt được, đưa ra những hạn chế và hướng phát triển trong tương lai mà nhóm định hướng. 12 CHUONG 2: CƠ SỞ LÝ THUYET 2. Phát sinh ảnh độ phân giải cao Phát sinh ảnh độ phân giải cao [1] đề cập đến việc tái tạo lại những hình ảnh có độ phân giải cao từ một khung cảnh có độ phân giải thấp, đồng thời cũng là sự đánh giá ước lượng hình ảnh có độ phân giải cao (HR — High Resolution) từ hình ảnh ban sao có độ phân giải thấp (LR — Low Resolution). Dựa vào số lượng hình anh đầu vào có chất lượng thấp, bài toán SR có thé được phân loại thành Single Image Super Resolution (SISR) va Multi Image Super Resolution (MISR).

Khi so được với MISR, Hình 2. Minh hoạ ảnh độ phân giải thấp (trái) và ảnh độ phân giải cao (phải). Như hình minh hoạ trên ta có thể thấy được chất lượng hình ảnh được cải thiện đáng kề, tận dung cơ hội này nó đã được ứng dụng rộng rãi với những lĩnh vực cụ thê bao gồm giám sát an ninh [2] và ảnh y khoa [3], [4]. Trong lĩnh vực giám sát an ninh, SISR có thể hỗ trợ chúng ta có được hình ảnh rõ ràng, sắc nét, giúp các ứng dụng có được nhiều thông tin chỉ tiết quan trọng hơn.

Không những thế trong lĩnh vực ảnh y khoa, việc tái tạo ảnh có độ phân giải cao có thé được dùng dé trích xuất nhiều thông 13 tin hơn khi mà chúng đã bị ân trong những hình ảnh có độ phân giải thấp. Ngoài ra Super Resolution có thể cải thiện những tác vụ khác trong lĩnh vực thị giác máy tính như nhận dạng vật thé (Object Detection) [5]. Trong đời sống hằng ngày, ta đang được trải ngiệm hình ảnh trên nhiều độ phân giải khác nhau từ FullHD (1920 x 1080 pixels) cho đến 4K, 8K vì thé việc tạo ra những hình ảnh có độ phân giải cao để phục vụ cho nhiều mục đích hién thị khác nhau là rất cần thiết nhất là trong những trường hợp không có sẵn những hình ảnh có độ phân giải cao. Trong bài toán SISR, mục tiêu chính là phục hồi, tái tạo lại và ước lượng chất lượng những hình ảnh có độ phân giải cao từ những hình ảnh đầu vào có độ phân giải thấp.

Một cách tông quan, ảnh có độ phân giải thấp được tạo ra bằng cách áp dụng bộ lọc Gaussian lên ảnh có độ phân giải cao sau đó lay thông tin ngữ nghĩa cùng hệ số đi kèm được minh họa như hình 2.2 bên dưới: Nhiễu thông tin Lấy thông tin ngữ nghĩa _ và làm mờ D Quá trình tái tạo ảnh có độ phân giải cao từ ảnh có độ phân giải thấp Hình 2. Mô phỏng tổng quan SISR. Cu thé hơn, một ảnh độ phân giải thấp I„ được mô hình hoá dựa trên biểu thức L, = D(I„;ồ): D(ly;5) = (ly @k) 1;+ m,{k,s} c ö (2.1) Trong đó D ký hiệu cho ham ánh xạ suy giảm, Ï„, tương ứng với hình anh độ phân giải cao, ổ được xem là những tham số trong quá trình suy giảm chất lượng hình 14 ảnh bao gồm yếu tố tỷ lệ hoặc yếu tố làm nhiễu thông tin; J, ® k đại diện cho việc tính toán nhân tích chập giữa nhân làm mờ k và anh độ phân giải cao I, cho trước, J, là toán tử giảm thiểu không gian hình ảnh với yếu tố tỷ lệ s và n được xem là yếu tố làm nhiễu thông tin độc lập. Với phương pháp MISR, việc tạo ra một bức ảnh độ phân giải cao thường được thực hiện thông qua kết hợp thông tin của rất nhiều ảnh độ phân giải thấp.

Nhược điểm của phương pháp này là cần rất nhiều hình ảnh có độ phân giải thấp và từng ảnh phải được căn chỉnh và đối tượng phải đứng yên hạn chế chuyên động trong thời gian chụp. Ngoài ra, tốc độ xử lý cũng không được cao. Trong khi đó SISR được sử dụng rộng rãi phô biến hơn do nếu chi dùng một hình ảnh có độ phân giải thấp thì có thé tránh được việc căn chỉnh các chi tiết cần thận. Nhưng ngược lại, chat lượng kết qua ảnh dau ra khó được đảm bao vì có rat nhiêu thông tin ảnh ở dau vào.

Kỹ thuật Học sâu Kỹ thuật học sâu là một nhánh trong thuật toán Máy học (ML - Machine Learning) được dựa trên việc hoc trực tiếp các biểu diễn dữ liệu đa dạng hơn [6]. Trái ngược với các thuật toán học các tác vụ cụ thê truyền thong khi chon cac tinh nang thủ công hữu ích với miền tri thức chuyên sâu, các thuật toán học sâu hướng đến việc học cách phân cấp các thông tin một cách tự động và tận dụng chúng dé dat dén muc đích cuối cùng khi mà toàn bộ quá trình hoc có thé được xem là liền mạch nối tiếp nhau một cách liên tục. Do khả năng xp xi cao và thuộc tính phân cấp của mạng nơ-ron nhân tao (ANN - Artificial Neural Network), hầu hết các mô hình học sâu hiện đại đều được thiết kế dựa trên mô hình ANNs [7]. Các mô hình ANNs có thể được truy xuất trở lại thuật toán perceptron trong những năm 1960.

Tiếp đó, vào những năm 1980, mô hình multilayer perceptron có thé duoc huấn luyện với thuật toán lan truyền ngược [8], mạng nơ-ron tích chập (CNN — Convolutional Neural Network) [9] và mạng nơ-ron hồi quy (RNN — Recurrent Neural Network) [11] — hai đại diện cho mô hình ANN 15 truyền thống được giới thiệu đến lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên. Mặc dù đã có những tiễn bộ đáng kế đạt được bởi ANNs, tuy nhiên vẫn còn một vài khuyết điểm dẫn đến việc không thể tự phát triển xa hơn. Sau đó, sự tái sinh của mô hình ANN hiện đại được đánh dau băng việc huấn luyện sẵn mạng nơ-rơn sâu (DNN - Deep Neural Network). Do đó, lợi ích từ sự bùng no của sức mạnh tính toán và sự phát triển các thuật toán cao cấp hơn, các mô hình dựa trên DNN đã đạt được hiệu suất đáng kế trong các tác vụ giám sát khát nhau [11].

Trong khi đó, các thuật toán DNNs không giám sát có thé kề đến như Deep Boltzmann Machine (DBM) [12], Variational Auto Encoder (VAE) [13] và Genarative Adversarial Network (GAN) [14] đã thu hút được sự chú ý do tiềm năng trong việc giải quyết những dữ liệu không gán nhãn đầy thách thức. Ứng dụng của Học sâu trong SISR Trong bài toán SISR, dữ liệu đầu vào là ảnh độ phân giải thấp, đầu ra là ảnh độ phân giải cao được tái tạo lại và sẽ được so sánh với anh gốc dé kiểm chứng chất lượng hình ảnh. Câu hỏi được đặt ra là tại sao nên sử dụng kỹ thuật Học sâu cho lĩnh vực SR trong đó phải kế đến bài toán SISR. Có rất nhiều cách đa dang dé có thé tăng chat lượng hình ảnh, một trong những kỹ thuật được sử dụng rộng rãi nhất là các thuật toán nội suy, chúng dễ thao tác nhưng sẽ dẫn đến việc hình ảnh bị méo mó hoặc làm giảm chất lượng hình ảnh.

Hầu hết các phương pháp nội suy đều tạo ra những hình anh mờ như phương pháp Bicubic Interpolation [15]. Từ việc sử dụng dụng ảnh độ phân giải cao làm mục tiêu dé tái tạo ảnh đầu ra từ anh đầu vào độ phân giải thấp có thé xem như là những phương pháp học có giám sát có thé khai thác những điểm tương đồng bên trong một bức anh hoặc sử dụng bộ huấn luyện của những hình ảnh 16 chất lượng thấp và hình ảnh chat lượng cao tương ứng dé học hiệu quả cách ảnh xạ giữa chúng.! Kỹ thuật học sâu cung cấp các giải pháp tốt hơn đề có thể tối ưu hoá hình ảnh. Những năm gần đây, một vài phương pháp đã đươc đề xuất cho lĩnh vực SISR. Khi áp dụng các giải pháp học sâu, những hình anh LR một cách tông quát sẽ được lay thông tin ngữ nghĩa, giảm kích thước không gian và được làm mờ dé giảm chat lượng hình ảnh.

Các phương pháp có liên quan 2. Phương pháp không sử dụng học sâu e Các thuật toán nội suy (Interpolation) Tại đây ảnh LR thay đổi kích thước bởi các yếu tố 2x, 4x hoặc 8x băng việc sử dụng các phương pháp nội suy như Nearest Neighbor, Bilinear hoặc Bicubic. Thuật toán nội suy hoặc động dựa trên việc sử dụng đữ liệu đã biết trước dé ước lượng giá tri ở các điểm dữ liệu chưa xác được. Nội suy hình ảnh cô gắng đạt đến mức độ xấp xi tốt nhất của cường độ điểm ảnh dựa trên các giá trị các diém ảnh xung quanh.

† An Introduction to Super-Resolution using Deep Learning - BeyondMinds 17 Interpolation nearest neighbour bilinear bicubic Hình 2. Mô phỏng hiệu ứng các thuật toán nội suy. Nguồn: PyData! Thông qua bước biến đôi này, hình ảnh đầu ra được làm mờ và trở nên không thực tế với các hiệu ứng khác nhau. Đây có thể xem là một ý tưởng không tệ, tuy nhiên chất lượng ảnh đầu ra thường không cao vì giải pháp này mới chỉ dừng lại ở các kỹ thuật cơ bản.

Phương pháp sử dụng học sâu e Super Resolution Convolution Neural Netwok Với sự thành công của mang no-ron tích chập day đủ (FCNN — Fully Convolutional Neural Network) trong lĩnh vực phân đoạn ngữ nghĩa, đã nhanh chóng trở nên phố biến khi được áp dụng qua các lĩnh vực khác trong thị giác máy tính.