Giới thiệu dự án

Trong kỷ nguyên số hóa, hình ảnh chiếm hơn 70% tổng lưu lượng nội dung đa phương tiện trên Internet. Nhu cầu chỉnh sửa, loại bỏ chi tiết thừa và phục chế các tác phẩm ảnh bị hư hại, rách nát hoặc suy giảm chất lượng theo thời gian ngày càng trở nên cấp thiết trong các lĩnh vực như bảo tồn di sản văn hóa, thương mại điện tử, thiết kế đồ họa và sản xuất truyền thông. Tuy nhiên, việc khôi phục các vùng dữ liệu bị mất lớn mà vẫn đảm bảo tính chân thực thị giác và sự đồng nhất về mặt ngữ nghĩa toàn cục là một thách thức kỹ thuật rất lớn trong thị giác máy tính (Computer Vision).

Bài toán Image Inpainting (lấp đầy vùng khuyết của ảnh) nhận đầu vào là ảnh gốc kèm theo mặt nạ nhị phân (mask) biểu thị khu vực cần phục chế; mục tiêu là sinh mới nội dung tại vùng khuyết sao cho hài hòa tuyệt đối với ngữ cảnh xung quanh. Các kỹ thuật truyền thống (dựa trên khuếch tán vi phân PDE hoặc sao chép mẫu cục bộ PatchMatch) thường tạo ra vệt mờ (blur) hoặc lặp cấu trúc phi tự nhiên khi vùng khuyết lớn. Trong khi đó, các mô hình sinh như Generative Adversarial Networks (GAN) và Variational Autoencoders (VAE) thường đối mặt với hiện tượng suy giảm mode (mode collapse), mất ổn định huấn luyện hoặc ảnh đầu ra thiếu độ sắc nét chi tiết.

Input: [Ảnh khuyết + Binary Mask M] ---> [Mô hình DDPM Inpainting] ---> Output: [Ảnh hoàn chỉnh chân thực]

Nhằm khắc phục triệt để các hạn chế trên, đề tài khóa luận tốt nghiệp ngành Khoa học Máy tính tại Trường Đại học Công nghệ Thông tin - ĐHQG-HCM (Trần Công Minh, Trần Quốc Thắng; hướng dẫn: TS. Ngô Đức Thành, ThS. Đỗ Văn Tiến) đã nghiên cứu và triển khai ứng dụng kỹ thuật Denoising Diffusion Probabilistic Models (DDPM) giải quyết bài toán Image Inpainting.

Mục tiêu của dự án:

  1. Hệ thống hóa cơ sở lý thuyết và khảo sát chuyên sâu các hướng tiếp cận bài toán Image Inpainting hiện đại.
  2. Thiết kế và triển khai quy trình điều kiện hóa (conditioning) mô hình khuếch tán DDPM với kỹ thuật lấy mẫu lại (resampling strategy) nhằm tối ưu vùng lấp đầy.
  3. Đánh giá, đo lường định lượng và định tính kết quả của DDPM so với hai đại diện tiêu biểu: LaMa (GAN-based) và DSI (VAE-based) trên 3 tập dữ liệu chuẩn.
  4. Xây dựng ứng dụng web demo hoàn chỉnh cho phép người dùng thao tác xóa vật thể và phục chế ảnh trực quan theo thời gian thực.

Phạm vi và giới hạn:

  • Phạm vi nghiên cứu: Mô hình khuếch tán xác suất với kiến trúc U-Net cải tiến, kiểm thử trên các bộ dữ liệu CelebA-HQ, Paris StreetView và Mini-Places với các cấu hình mặt nạ mỏng (Thin mask) và trung bình/lớn (Medium mask).
  • Giới hạn kỹ thuật: Quá trình khử nhiễu lặp qua nhiều bước thời gian (timesteps) yêu cầu tài nguyên tính toán GPU đáng kể, dẫn đến thời gian sinh ảnh (sampling latency) cao hơn các mạng feed-forward GAN truyền thống.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Nguyên lý hoạt động Ưu điểm Nhược điểm
PDE-based (Diffusion) Lan truyền cường độ điểm ảnh từ viền vào tâm qua phương trình vi phân đạo hàm riêng. Xử lý nhanh, hiệu quả với vết rạch nhỏ, văn bản mỏng. Gây mờ nhòe nghiêm trọng trên vùng khuyết lớn; không tạo được ngữ nghĩa mới.
Exemplar-based (PatchMatch) Tìm kiếm và sao chép các mảnh vá (patches) tương đồng từ vùng không bị che. Giữ nguyên kết cấu cục bộ sắc nét, không cần huấn luyện mô hình. Thất bại khi vùng khuyết chứa đối tượng độc nhất hoặc bối cảnh ngữ nghĩa phức tạp.
VAE-based (DSI) Ánh xạ ảnh vào không gian tiềm ẩn (latent space) được chính quy hóa và giải mã. Dễ hội tụ, ổn định khi huấn luyện, đa dạng phân phối. Ảnh sinh ra có xu hướng bị mờ (smooth/blurry), mất chi tiết tần số cao.
GAN-based (LaMa) Huấn luyện đối kháng giữa Generator (Fast Fourier Convolutions) và Discriminator. Tốc độ suy luận nhanh (~0.05s/ảnh), độ nét cao trên vùng mask rộng. Khó huấn luyện, dễ mất ổn định phân phối, xuất hiện hiện tượng artifacts giả tạo.
DDPM-based (Đề xuất) Làm nhiễu ảnh theo chuỗi Markov và học quá trình khử nhiễu ngược có điều kiện hóa. Chất lượng sinh vượt trội, phân phối đa dạng, không bị mode collapse, biên mượt mà. Thời gian lấy mẫu lặp nhiều bước (sampling time), chi phí tính toán GPU cao.

Ma trận yêu cầu hệ thống theo mô hình MoSCoW:

  • Must Have: Khả năng nhận diện vùng mask tùy ý; thuật toán khử nhiễu có điều kiện bảo toàn 100% vùng unmasked; pipeline tiền xử lý ảnh RGB 256x256 / 512x512.
  • Should Have: Kỹ thuật Resampling $r \ge 5$ để loại bỏ biên giới mờ giữa vùng sinh và ảnh gốc; API RESTful backend trên nền PyTorch.
  • Could Have: Tối ưu hóa bộ lập lịch phương sai (Variance Schedule) dạng Cosine thay vì Tuyến tính (Linear) nhằm giảm số bước lấy mẫu.
  • Won't Have (Giai đoạn này): Huấn luyện mô hình từ đầu cho độ phân giải siêu cao 4K trên thiết bị di động biên (Edge devices).

Thiết kế hệ thống

Kiến trúc giải pháp được thiết kế theo mô hình luồng dữ liệu 3 lớp khép kín:

[Client Web UI (React/Canvas)] 
       │ (Base64 Image + Mask)
       ▼ [REST API - FastAPI/Flask]
┌─────────────────────────────────────────────────────────┐
│                    DDPM Inference Core                  │
│  ┌─────────────────┐       ┌─────────────────────────┐  │
│  │ Unmasked Region │       │ Masked Region (Noise)   │  │
│  │ Forward q(x_t)  │       │ Reverse p_theta(x_t-1)  │  │
│  └────────┬────────┘       └────────────┬────────────┘  │
│           │                             │               │
│           └───► [Harmonization & Blend] ◄───┘           │
│                         │                               │
│           [Iterative Resampling Loop (r times)]         │
│                         │                               │
│                         ▼                               │
│           [Modified U-Net Backbone (ResBlocks)]         │
└─────────────────────────────────────────────────────────┘
       │ (Restored RGB Tensor)
       ▼
[Processed Image Stream] ---> [Client Response]

Technology Stack:

  • Core ML Framework: Python 3.9.13, PyTorch 1.12.1, CUDA 11.3, cuDNN 8.3.2.
  • Computer Vision & Utils: Torchvision 0.13.1, OpenCV 4.6.0, NumPy 1.23.5, SciPy 1.9.3.
  • Backend Serving: Flask 2.2.2 / Gunicorn 20.1.0, Pillow 9.3.0.
  • Frontend Client: React 18, HTML5 Canvas API (cho công cụ vẽ mask tự do), Axios.
  • Phần cứng thử nghiệm: NVIDIA GeForce RTX 2080 Ti (11GB VRAM), Intel Core i9-9900K, 32GB DDR4 RAM.

Thiết kế API Endpoints:

  • POST /api/v1/inpaint: Nhận payload JSON chứa image (chuỗi base64), mask (chuỗi base64 nhị phân), num_resample_steps (integer, mặc định = 5), jump_length (integer). Trả về JSON chứa result_image (base64) cùng thời gian xử lý (latency).

Methodology

Dự án áp dụng quy trình phát triển lặp kết hợp nghiên cứu khoa học thực nghiệm (Empirical AI Research Methodology):

  1. Giai đoạn 1 (Tuần 1 - 4): Khảo sát lý thuyết về chuỗi Markov, phương trình vi phân ngẫu nhiên và mô hình sinh; phân tích mã nguồn LaMa và DSI.
  2. Giai đoạn 2 (Tuần 5 - 9): Hiện thực thuật toán DDPM cơ bản; xây dựng pipeline điều kiện hóa vùng unmasked trong quá trình lấy mẫu ngược; tích hợp kỹ thuật Resampling.
  3. Giai đoạn 3 (Tuần 10 - 14): Thiết lập benchmark định lượng (FID, IS, LPIPS) trên 3 tập dữ liệu chuẩn; thực hiện khảo sát người dùng mù đôi (blind A/B user study).
  4. Giai đoạn 4 (Tuần 15 - 18): Đóng gói mô hình thành dịch vụ web API, xây dựng giao diện tương tác người dùng, hoàn thiện báo cáo và tài liệu kỹ thuật.

Implementation và kết quả

Development process

Cốt lõi của phương pháp nằm ở việc kiểm soát quá trình khuếch tán tiến (Forward process) $q(x_t|x_0)$ và quá trình đảo ngược (Reverse process) $p_\theta(x_{t-1}|x_t)$. Tại mỗi bước thời gian $t$, vùng ảnh không bị mask ($1-M$) được làm nhiễu trực tiếp từ ảnh gốc $x_0$, trong khi vùng bị mask ($M$) được dự đoán thông qua mạng nơ-ron U-Net:

$$x_{t-1}^{known} \sim \mathcal{N}\left(\sqrt{\bar{\alpha}{t-1}} x_0, (1 - \bar{\alpha}{t-1})\mathbf{I}\right)$$

$$x_{t-1}^{unknown} = \frac{1}{\sqrt{\alpha_t}}\left(x_t - \frac{\beta_t}{\sqrt{1 - \bar{\alpha}t}}\epsilon\theta(x_t, t)\right) + \sigma_t z$$

$$x_{t-1} = (1 - M) \odot x_{t-1}^{known} + M \odot x_{t-1}^{unknown}$$

Nhằm đảm bảo sự hài hòa ngữ cảnh giữa hai vùng, thuật toán Resampling được áp dụng bằng cách làm nhiễu ngược lại $x_{t-1}$ lên $x_t$ rồi tiến hành khử nhiễu lại $r$ lần trước khi chuyển sang bước $t-1$.

import torch

def ddpm_inpaint_step(model, x_t, x_0, mask, t, alpha_t, alpha_bar_t, alpha_bar_prev, beta_t):
    """
    Thực hiện 1 bước Reverse Inpainting có điều kiện hóa và hòa hợp vùng biên
    - x_t: Tensor ảnh nhiễu hiện tại [B, C, H, W]
    - x_0: Tensor ảnh gốc ban đầu [B, C, H, W]
    - mask: Mặt nạ nhị phân [B, 1, H, W] (1 là vùng cần inpaint, 0 là vùng giữ lại)
    """
    # 1. Trích xuất thành phần unmasked (known) tại bước t-1 từ ảnh gốc
    noise = torch.randn_like(x_0)
    x_t_prev_known = (torch.sqrt(alpha_bar_prev) * x_0 + 
                      torch.sqrt(1.0 - alpha_bar_prev) * noise)
    
    # 2. Dự đoán thành phần masked (unknown) bằng mô hình U-Net
    with torch.no_grad():
        eps_theta = model(x_t, t)
    
    mean_unknown = (1.0 / torch.sqrt(alpha_t)) * (
        x_t - (beta_t / torch.sqrt(1.0 - alpha_bar_t)) * eps_theta
    )
    variance = beta_t * (1.0 - alpha_bar_prev) / (1.0 - alpha_bar_t)
    sigma_t = torch.sqrt(variance)
    
    z = torch.randn_like(x_t) if t > 0 else torch.zeros_like(x_t)
    x_t_prev_unknown = mean_unknown + sigma_t * z
    
    # 3. Kết hợp 2 miền dữ liệu qua phép nhân chập mặt nạ Hadamard
    x_t_prev = (1.0 - mask) * x_t_prev_known + mask * x_t_prev_unknown
    return x_t_prev

Testing và validation

Hiệu năng của mô hình được đánh giá trên 3 bộ dữ liệu: CelebA-HQ (chân dung mặt người chất lượng cao), Paris StreetView (cảnh quan đường phố kiến trúc), và Mini-Places (bối cảnh đa dạng). Đánh giá sử dụng hai cấu hình mặt nạ: Thin mask (nét vẽ mảnh) và Medium mask (diện tích che phủ lớn).

Các thang đo đánh giá gồm:

  • FID (Fréchet Inception Distance): Đo khoảng cách phân phối đặc trưng giữa ảnh sinh và ảnh thật (càng thấp càng tốt).
  • IS (Inception Score): Đo độ rõ nét và tính đa dạng ngữ nghĩa (càng cao càng tốt).
  • LPIPS (Learned Perceptual Image Patch Similarity): Đánh giá độ đa dạng tri giác giữa các lần sinh khác nhau từ cùng một mask (càng cao biểu thị độ đa dạng càng lớn).

Bảng kết quả thực nghiệm định lượng:

Dataset / Mask Type Phương pháp FID ($\downarrow$) Inception Score ($\uparrow$) Thời gian / ảnh (s)
CelebA-HQ (Thin) DSI (VAE) 12.45 2.61 $\pm$ 0.08 0.12s
LaMa (GAN) 8.12 2.94 $\pm$ 0.05 0.04s
DDPM (Đề xuất) 5.34 3.18 $\pm$ 0.06 4.25s
CelebA-HQ (Medium) DSI (VAE) 24.18 2.15 $\pm$ 0.11 0.12s
LaMa (GAN) 14.86 2.72 $\pm$ 0.09 0.04s
DDPM (Đề xuất) 9.62 3.01 $\pm$ 0.07 4.25s
Paris StreetView DSI (VAE) 38.70 2.45 $\pm$ 0.12 0.14s
LaMa (GAN) 22.31 3.10 $\pm$ 0.10 0.05s
DDPM (Đề xuất) 16.85 3.42 $\pm$ 0.08 4.31s
Mini-Places DSI (VAE) 42.15 2.30 $\pm$ 0.15 0.13s
LaMa (GAN) 25.60 2.85 $\pm$ 0.11 0.05s
DDPM (Đề xuất) 19.40 3.15 $\pm$ 0.09 4.28s

Kết quả đạt được

  1. Chất lượng hình ảnh vượt bậc: DDPM đạt chỉ số FID cải thiện vượt bậc, giảm tới 35.2% trên CelebA-HQ Medium mask so với LaMa (từ 14.86 xuống 9.62) và giảm hơn 60% so với DSI (từ 24.18 xuống 9.62).
  2. Loại bỏ hiện tượng mất đồng nhất biên: Nhờ kỹ thuật Resampling, vùng tiếp giáp giữa pixel thật và pixel sinh mới không còn để lại vết nứt (seams) hay sai lệch độ sáng như ở GAN.
  3. Độ đa dạng đầu ra: Thang đo LPIPS của DDPM đạt mức 0.38 $\pm$ 0.04 khi sinh nhiều biến thể cho cùng 1 mask, cao hơn gấp đôi so với phương pháp tất định của LaMa (0.00 do phương pháp tất định) và DSI (0.17 $\pm$ 0.03).
  4. Đánh giá chủ quan (User Study): Khảo sát mù đôi trên 120 người tham gia cho thấy 68.4% lượt bình chọn ưu tiên độ chân thực của ảnh sinh bởi DDPM so với LaMa (23.1%) và DSI (8.5%).

Đổi mới và đóng góp

  • Cải tiến kỹ thuật Resampling có trọng số: Khắc phục triệt để hiện tượng mất liên kết ngữ nghĩa giữa nội dung sinh mới và bối cảnh xung quanh mà không cần phải huấn luyện lại toàn bộ mạng nơ-ron từ đầu (training-free conditioning).
  • So sánh đa chiều trên hệ quy chiếu chuẩn: Cung cấp báo cáo đối sánh chi tiết, chuyên sâu giữa 3 trường phái sinh ảnh hiện đại (DDPM vs GAN vs VAE) trên cùng một cấu hình phần cứng và bộ dữ liệu.
  • Đóng góp học thuật: Đưa ra phân tích toán học chi tiết về việc chuyển đổi giữa lập lịch phương sai tuyến tính và hàm Cosine, chứng minh hàm Cosine giúp giữ lại thông tin cấu trúc tốt hơn ở các bước thời gian lớn ($t \to T$).
  • Đóng góp mã nguồn và công cụ mở: Xây dựng trọn vẹn bộ công cụ web tương tác với Canvas vẽ mask linh hoạt, hỗ trợ cộng đồng sinh viên và nhà nghiên cứu dễ dàng tái tạo thực nghiệm.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế:

  • Phục chế ảnh lịch sử và tư liệu lưu trữ: Tự động loại bỏ vết trầy xước, ố mốc và phần rách trên các tài liệu hình ảnh cổ mà không làm biến dạng khuôn mặt hay cấu trúc gốc.
  • Thương mại điện tử & Bất động sản: Xóa người qua đường, phương tiện giao thông, cột điện hoặc vật cản không mong muốn khỏi ảnh ngoại cảnh tòa nhà hoặc ảnh chụp sản phẩm chỉ qua một thao tác bôi mask.
  • Hậu kỳ điện ảnh và truyền thông: Thay thế đạo cụ, viền thiết bị ghi hình trong các cảnh quay phức tạp với độ chân thực đạt chuẩn phát sóng.
+-------------------------------------------------------------------------+
|                              DEPLOYMENT PIPELINE                         |
|                                                                         |
|  [Docker Container]                                                     |
|    ├── Python 3.9 + PyTorch + CUDA 11.3 Runtime                         |
|    ├── Pretrained DDPM Weights (U-Net Checkpoints ~ 450MB)             |
|    └── Gunicorn WSGI Worker (Async Request Queue)                       |
|           │                                                             |
|           ▼                                                             |
|  [NVIDIA GPU Server - RTX 2080Ti / A10G]                                |
|    └── TensorRT / TorchScript Optimization (Target latency: < 1.5s)     |
+-------------------------------------------------------------------------+

Yêu cầu triển khai hệ thống (System Requirements):

  • Phần cứng tối thiểu: GPU NVIDIA với tối thiểu 8GB VRAM (khuyến nghị 12GB+ VRAM như RTX 3060, RTX 3080 hoặc A10G), 16GB RAM hệ thống, 10GB dung lượng ổ cứng SSD.
  • Môi trường phần mềm: Ubuntu 20.04/22.04 LTS, NVIDIA Driver $\ge$ 510.47, Docker & NVIDIA Container Toolkit.

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis & ROI):

  • Tiết kiệm thời gian nhân sự: Giảm thời gian chỉnh sửa ảnh thủ công của chuyên viên đồ họa từ trung bình 25 phút/ảnh xuống còn dưới 1 phút (tính cả thời gian bôi mask và hệ thống xử lý), nâng cao năng suất xử lý lên 2500%.
  • Chi phí vận hành: Một máy chủ GPU Cloud (ví dụ AWS EC2 g5.xlarge ~ 1.00 USD/giờ) có thể xử lý trung bình ~700 yêu cầu inpaint chất lượng cao mỗi giờ, tương đương chi phí chỉ ~0.0014 USD/ảnh, đem lại tỷ suất hoàn vốn (ROI) vượt trội cho các nền tảng thương mại điện tử quy mô lớn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật:

  1. Độ trễ suy luận (Sampling Latency): DDPM đòi hỏi quá trình lặp qua $T = 250 - 1000$ bước khuếch tán, dẫn đến thời gian phản hồi (~4.25s trên RTX 2080 Ti) chậm hơn đáng kể so với mô hình sinh tức thì một bước của GAN (~0.04s).
  2. Chi phí bộ nhớ khi tăng độ phân giải: Xử lý trực tiếp trên không gian pixel (pixel-space) ở độ phân giải cao $\ge 1024\times 1024$ đòi hỏi dung lượng VRAM vượt quá ngưỡng phổ thông.

Hướng phát triển tương lai:

  • Tích hợp Latent Diffusion Models (LDM): Chuyển dịch quá trình khuếch tán từ không gian điểm ảnh trực tiếp sang không gian tiềm ẩn (latent space) của một mô hình VQ-VAE/Autoencoder được huấn luyện trước, giúp giảm 80% chi phí tính toán và tăng tốc suy luận.
  • Áp dụng các bộ lấy mẫu gia tốc cao: Tích hợp các thuật toán giải phương trình vi phân nhanh như DDIM (Denoising Diffusion Implicit Models), DPM-Solver hoặc Euler Ancestral để rút ngắn số bước lấy mẫu xuống chỉ còn $20 - 50$ bước mà vẫn bảo toàn chỉ số FID.
  • Mở rộng điều khiển văn bản (Text-guided Inpainting): Kết hợp các bộ mã hóa ngôn ngữ như CLIP để cho phép người dùng inpaint theo câu lệnh miêu tả ngữ nghĩa (prompt-driven inpainting).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Nắm bắt toàn diện khung toán học của các mô hình xác suất khuếch tán, phương pháp lập lịch phương sai và kỹ thuật xử lý ảnh nâng cao.
  • Kỹ sư AI & Lập trình viên: Sở hữu cấu trúc mã nguồn tham khảo sạch sẽ, module hóa bằng PyTorch; dễ dàng tích hợp API inpainting vào các hệ thống ứng dụng sẵn có.
  • Doanh nghiệp & Đơn vị truyền thông: Sở hữu giải pháp tự động hóa quy trình phục chế ảnh và xử lý hình ảnh với chất lượng tiệm cận studio đồ họa chuyên nghiệp.
  • Cộng đồng nghiên cứu Computer Vision: Có thêm cứ liệu thực nghiệm chuẩn mực so sánh giữa DDPM, LaMa và DSI trên các tập benchmark tiêu chuẩn.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai mô hình DDPM Inpainting là gì?

Để chạy suy luận (inference) với độ phân giải 256x256, hệ thống yêu cầu tối thiểu GPU NVIDIA có 6GB VRAM (như GTX 1660 Ti hoặc RTX 2060). Để xử lý ảnh 512x512 hoặc huấn luyện mở rộng, khuyến nghị sử dụng GPU từ 11GB - 24GB VRAM (RTX 2080 Ti, RTX 3090 hoặc A100).

2. Tại sao DDPM lại giải quyết được bài toán mờ biên tốt hơn VAE và GAN?

DDPM sử dụng quy trình khuếch tán ngẫu nhiên lặp từng bước kết hợp chiến lược Resampling. Tại mỗi bước $t$, vùng ảnh gốc được bơm nhiễu chuẩn xác và trộn với vùng dự đoán, giúp gradient ngữ nghĩa lan truyền hài hòa và tự nhiên qua ranh giới mặt nạ, loại bỏ hoàn toàn các vết cắt biên đột ngột.

3. Có thể tích hợp mô hình này vào ứng dụng di động hoặc web front-end không?

Hoàn toàn khả thi theo mô hình Client-Server. Client (React/Flutter/iOS/Android) gửi ảnh và mask qua RESTful API hoặc gRPC đến máy chủ GPU Backend chạy FastAPI/Triton Inference Server để xử lý và nhận lại ảnh đã inpaint dưới dạng Base64 hoặc luồng nhị phân.

4. Chi phí điện năng và tài nguyên tính toán có phải rào cản khi vận hành DDPM quy mô lớn?

Đúng, do cơ chế lặp nhiều bước. Tuy nhiên, rào cản này có thể được giải quyết triệt để trong môi trường sản xuất bằng cách sử dụng các bộ lấy mẫu tăng tốc như DDIM (giảm xuống 20-50 bước) hoặc chuyển đổi trọng số sang định dạng TensorRT / ONNX Runtime FP16, giúp tăng thông lượng xử lý lên gấp 4-6 lần.

5. Khắc phục sự cố như thế nào nếu ảnh sau inpaint bị lệch màu so với nền gốc?

Hiện tượng lệch màu thường xảy ra khi số bước Resampling $r$ quá nhỏ ($r < 3$) hoặc bộ lập lịch phương sai (Variance Schedule) sử dụng giá trị $\beta_t$ không tương thích. Khắc phục bằng cách tăng $r = 5 - 10$ hoặc chuyển sang bộ lập lịch Cosine Variance Schedule, đảm bảo mức nhiễu tại các bước chuyển giao không làm biến đổi phân phối màu sắc toàn cục.

Kết luận

Đề tài khóa luận tốt nghiệp "Ứng dụng kỹ thuật Denoising Diffusion Probabilistic Models giải quyết bài toán Image Inpainting" đã chứng minh tính ưu việt vượt bậc của mô hình khuếch tán xác suất so với các tiếp cận truyền thống và các mạng sinh GAN/VAE đương thời. Với chỉ số FID đạt 5.34 trên CelebA-HQ và mức độ hài lòng của người dùng đạt 68.4%, nghiên cứu đã khẳng định tiềm năng ứng dụng to lớn của DDPM trong việc tái tạo hình ảnh trung thực và nhất quán ngữ nghĩa.

Những cải tiến về thuật toán điều kiện hóa và chiến lược Resampling không chỉ giải quyết trọn vẹn thách thức về biên hòa hợp mà còn mở ra hướng đi thực tiễn cho các ứng dụng phục chế số hóa tự động. Để trải nghiệm và ứng dụng giải pháp vào các dự án thực tế, bạn có thể triển khai pipeline mã nguồn hoặc tích hợp trực tiếp module dịch vụ vào hệ sinh thái sản phẩm của mình ngay hôm nay.