Học tự giám sát để khử nhiễu: Phân tích từng bước

Máy ảnh không phải lúc nào cũng ghi lại thế giới theo cách chúng ta nhìn thấy. Một bức ảnh chân dung được chụp trong điều kiện thiếu sáng hoặc ảnh một chiếc xe đang di chuyển nhanh có thể bị nhiễu hạt, mờ hoặc méo mó. 

Cảm biến chậm, môi trường tối và chuyển động có thể tạo ra những đốm nhiễu nhỏ, làm mờ các cạnh và che khuất các chi tiết quan trọng. Khi độ rõ nét này bị mất đi, ngay cả các hệ thống AI và máy học tiên tiến cũng khó có thể hiểu được nội dung hình ảnh, bởi vì nhiều hệ thống thông minh dựa vào những chi tiết nhỏ này để hoạt động tốt.

Ví dụ, thị giác máy tính là một nhánh của trí tuệ nhân tạo, cho phép máy móc diễn giải hình ảnh và video. Nhưng để làm được điều này một cách chính xác, các mô hình Vision AI cần dữ liệu hình ảnh rõ ràng, chất lượng cao để học hỏi. 

Cụ thể, các mô hình như Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn thực thể và ước tính tư thế, đồng thời có thể được đào tạo tùy chỉnh cho các trường hợp sử dụng khác nhau. Các tác vụ này dựa trên các tín hiệu trực quan rõ ràng như cạnh, kết cấu, màu sắc và các chi tiết cấu trúc tinh tế. 

Khi nhiễu làm mờ các đặc điểm này, mô hình sẽ nhận được tín hiệu huấn luyện yếu hơn, khiến việc học các mẫu chính xác trở nên khó khăn hơn. Do đó, ngay cả một lượng nhiễu nhỏ cũng có thể làm giảm hiệu suất trong các ứng dụng thực tế.

Trước đó, chúng ta đã tìm hiểu cách học tự giám sát khử nhiễu hình ảnh . Trong bài viết này, chúng ta sẽ đi sâu hơn vào cách thức hoạt động của các kỹ thuật khử nhiễu tự giám sát và cách chúng giúp khôi phục thông tin hình ảnh có ý nghĩa. Hãy cùng bắt đầu nào!

Các loại nhiễu phổ biến trong hình ảnh thực tế

Trước khi tìm hiểu cách sử dụng phương pháp học tự giám sát trong việc khử nhiễu hình ảnh, trước tiên chúng ta hãy xem lại lý do tại sao hình ảnh lại bị nhiễu.

Hình ảnh của các vật thể và cảnh trong thế giới thực hiếm khi hoàn hảo. Ánh sáng yếu, chất lượng cảm biến hạn chế và chuyển động nhanh có thể gây ra nhiễu ngẫu nhiên ở từng điểm ảnh trên toàn bộ hình ảnh. Những nhiễu loạn ở cấp độ điểm ảnh này, được gọi là nhiễu hạt, làm giảm độ rõ nét tổng thể và khiến các chi tiết quan trọng khó nhìn thấy hơn.

Khi nhiễu che khuất các cạnh, kết cấu và các hoa văn tinh tế, hệ thống thị giác máy tính gặp khó khăn trong việc nhận dạng vật thể hoặc diễn giải chính xác các cảnh. Các điều kiện khác nhau tạo ra các loại nhiễu khác nhau, mỗi loại ảnh hưởng đến hình ảnh theo cách riêng của nó.

‍

Sau đây là một số loại nhiễu phổ biến nhất có trong hình ảnh:

• Nhiễu Gauss: Loại nhiễu này xuất hiện dưới dạng hạt mềm, ngẫu nhiên do nhiễu cảm biến điện tử hoặc biến động nhiệt. Nó tuân theo phân phối chuẩn Gauss, trong đó các biến thể điểm ảnh nhỏ làm mờ các chi tiết nhỏ và làm giảm độ sắc nét tổng thể.
• Nhiễu Poisson: Còn được gọi là nhiễu ảnh, loại nhiễu này xảy ra trong điều kiện ánh sáng yếu hoặc thời gian phơi sáng ngắn. Độ biến thiên của nhiễu này tăng theo độ sáng, nhưng nhiễu thường dễ nhận thấy hơn ở các vùng tối hơn do ít photon được thu nhận hơn, dẫn đến tỷ lệ tín hiệu trên nhiễu thấp hơn.
• Nhiễu muối tiêu: Loại nhiễu này xuất hiện dưới dạng các điểm ảnh đen trắng sắc nét. Nó thường do lỗi truyền dẫn, bit bị hỏng hoặc cảm biến camera bị lỗi, và thường dẫn đến việc mất hoặc hỏng giá trị điểm ảnh.
• Nhiễu đốm: Loại nhiễu này xuất hiện dưới dạng các hạt, giống như các đốm và phổ biến trong hình ảnh y tế, radar và siêu âm. Nó được gây ra bởi nhiễu và tán xạ tín hiệu, làm giảm độ tương phản và khiến các cạnh khó nhìn thấy hơn. detect .

Khi nào bạn nên sử dụng chức năng khử nhiễu tự giám sát?

Vậy, điều gì làm cho việc khử nhiễu tự giám sát trở nên đặc biệt? Nó phát huy tác dụng trong những tình huống mà hình ảnh chân thực, rõ nét không tồn tại hoặc quá khó để chụp. 

Điều này thường xảy ra trong nhiếp ảnh thiếu sáng, chụp ảnh ISO cao, chụp ảnh y tế và khoa học , hoặc bất kỳ môi trường nào mà nhiễu là điều không thể tránh khỏi và việc thu thập dữ liệu tham chiếu hoàn hảo là không thực tế. Thay vì cần các ví dụ rõ ràng, mô hình sẽ học trực tiếp từ các hình ảnh nhiễu mà bạn đã có, giúp nó thích ứng với các mẫu nhiễu cụ thể của máy ảnh hoặc cảm biến của bạn.

Khử nhiễu tự giám sát cũng là một lựa chọn tuyệt vời khi bạn muốn tăng hiệu suất của các tác vụ thị giác máy tính hạ nguồn, nhưng tập dữ liệu của bạn lại chứa đầy hình ảnh không nhất quán hoặc nhiễu. Bằng cách khôi phục các cạnh, kết cấu và cấu trúc rõ ràng hơn, các phương pháp này giúp các mô hình như YOLO detect , segment và hiểu các cảnh một cách đáng tin cậy hơn. Tóm lại, nếu bạn đang làm việc với dữ liệu nhiễu và không có sẵn hình ảnh huấn luyện sạch, thì việc khử nhiễu tự giám sát thường mang lại giải pháp thiết thực và hiệu quả nhất.

Các kỹ thuật cốt lõi thúc đẩy quá trình khử nhiễu tự giám sát

Như chúng ta đã thấy trước đây, khử nhiễu tự giám sát là một phương pháp AI dựa trên học sâu, cho phép các mô hình học trực tiếp từ hình ảnh nhiễu mà không cần dựa vào nhãn sạch. Phương pháp này dựa trên các nguyên tắc của học tự giám sát , trong đó các mô hình tự tạo ra tín hiệu huấn luyện từ chính dữ liệu.

Nói cách khác, một mô hình có thể tự học bằng cách sử dụng hình ảnh nhiễu làm cả đầu vào và nguồn tín hiệu học. Bằng cách so sánh các phiên bản bị lỗi khác nhau của cùng một hình ảnh hoặc dự đoán các điểm ảnh bị che khuất, mô hình sẽ học được mẫu nào đại diện cho cấu trúc thực và mẫu nào chỉ là nhiễu. Thông qua tối ưu hóa lặp lại và nhận dạng mẫu, mạng dần cải thiện khả năng phân biệt nội dung hình ảnh có ý nghĩa với biến thể ngẫu nhiên.

‍

Điều này có thể thực hiện được nhờ các chiến lược học tập cụ thể, hướng dẫn mô hình tách cấu trúc hình ảnh ổn định khỏi nhiễu ngẫu nhiên. Tiếp theo, chúng ta hãy cùng xem xét kỹ hơn các kỹ thuật và thuật toán cốt lõi giúp đơn giản hóa quy trình này và cách mỗi phương pháp giúp mô hình tái tạo hình ảnh sạch hơn, đáng tin cậy hơn.

Phương pháp khử nhiễu hình ảnh theo cặp

Nhiều phương pháp học tự giám sát ban đầu để khử nhiễu hoạt động bằng cách so sánh hai phiên bản nhiễu của cùng một hình ảnh. Vì nhiễu thay đổi ngẫu nhiên mỗi khi một hình ảnh được chụp hoặc bị hỏng, nhưng cấu trúc thực tế vẫn giữ nguyên, những khác biệt này có thể được sử dụng làm tín hiệu học cho một mô hình. 

Các phương pháp này thường được gọi là phương pháp khử nhiễu ảnh từng cặp (pairwise image denoising) vì chúng dựa trên việc sử dụng hoặc tạo ra các cặp ảnh nhiễu trong quá trình huấn luyện. Ví dụ, phương pháp Noise2Noise (do Jaakko Lehtinen và nhóm của ông đề xuất) huấn luyện một mô hình bằng cách sử dụng hai ảnh nhiễu độc lập của cùng một cảnh. Do các mẫu nhiễu khác nhau giữa hai phiên bản, mô hình sẽ học cách xác định các chi tiết nhất quán đại diện cho hình ảnh cơ bản thực tế.

‍

‍

Theo thời gian, điều này sẽ dạy cho mạng cách loại bỏ nhiễu ngẫu nhiên và bảo toàn cấu trúc thực, mặc dù nó không bao giờ nhìn thấy một hình ảnh tham chiếu rõ nét. Hãy xem xét một tình huống đơn giản: bạn chụp hai bức ảnh đường phố thiếu sáng vào ban đêm. 

Mỗi hình ảnh đều chứa cùng một tòa nhà, ánh sáng và bóng đổ, nhưng nhiễu hạt xuất hiện ở những vị trí khác nhau. Bằng cách so sánh hai bức ảnh nhiễu này trong quá trình huấn luyện, một mô hình tự giám sát có thể học được mẫu hình ảnh nào là ổn định và mẫu nào là do nhiễu, từ đó cải thiện khả năng tái tạo hình ảnh rõ nét hơn.

Phương pháp học tự giám sát dựa trên điểm mù để khử nhiễu

Trong khi phương pháp từng cặp dựa trên việc so sánh hai phiên bản bị lỗi khác nhau của cùng một hình ảnh, phương pháp điểm mù lại có cách tiếp cận khác. Chúng cho phép mô hình học hỏi từ một hình ảnh nhiễu duy nhất bằng cách ẩn các điểm ảnh được chọn để mạng không thể nhìn thấy các giá trị lỗi của chúng. 

Sau đó, mô hình phải dự đoán các điểm ảnh ẩn chỉ bằng cách sử dụng ngữ cảnh xung quanh. Ý tưởng cốt lõi là nhiễu là ngẫu nhiên, nhưng cấu trúc cơ bản của hình ảnh thì không. 

Bằng cách ngăn mô hình sao chép giá trị nhiễu của một pixel, các phương pháp điểm mù khuyến khích mô hình suy ra pixel đó nên là gì dựa trên các mẫu hình ảnh ổn định như các cạnh, kết cấu hoặc gradient màu gần đó. Các kỹ thuật như Noise2Void (do Alexander Krull và nhóm của ông giới thiệu) và Noise2Self (do Joshua Batson và Loïc Royer phát triển) triển khai nguyên lý này bằng cách che từng pixel hoặc các vùng lân cận nhỏ và huấn luyện mô hình để tái tạo chúng.

Các phương pháp tiên tiến hơn, bao gồm Noise2Same và PN2V, cải thiện độ tin cậy bằng cách áp dụng các dự đoán nhất quán trên nhiều phiên bản bị che khuất hoặc bằng cách mô hình hóa rõ ràng phân bố nhiễu để ước tính độ không chắc chắn. Vì các phương pháp này chỉ yêu cầu một ảnh nhiễu duy nhất, chúng đặc biệt hữu ích trong các lĩnh vực mà việc chụp ảnh sạch hoặc ảnh ghép là không thực tế hoặc không thể thực hiện được, chẳng hạn như kính hiển vi , thiên văn học, hình ảnh y sinh hoặc chụp ảnh thiếu sáng.

Phương pháp khử nhiễu được hỗ trợ bởi máy biến áp

Hầu hết các phương pháp khử nhiễu tự giám sát theo cặp và điểm mù đều dựa trên mạng nơ-ron tích chập (CNN) hoặc mạng khử nhiễu. CNN là một lựa chọn tuyệt vời cho các phương pháp này vì chúng tập trung vào các mẫu cục bộ, cụ thể là các cạnh, kết cấu và các chi tiết nhỏ. 

Các kiến trúc như U-Net được sử dụng rộng rãi vì chúng kết hợp các đặc điểm chi tiết với thông tin đa tỷ lệ. Tuy nhiên, CNN chủ yếu hoạt động trong phạm vi giới hạn, nghĩa là chúng có thể bỏ sót các mối quan hệ quan trọng trải rộng trên các vùng rộng hơn của hình ảnh.

Các phương pháp khử nhiễu tiên tiến được hỗ trợ bởi Transformer đã được giới thiệu để giải quyết hạn chế này. Thay vì chỉ xem xét các điểm ảnh gần đó, phương pháp được đề xuất sử dụng các cơ chế chú ý để hiểu cách các phần khác nhau của hình ảnh liên quan với nhau như thế nào. 

Một số mô hình sử dụng sự chú ý toàn cục, trong khi một số khác sử dụng sự chú ý theo cửa sổ hoặc theo thứ bậc để giảm thiểu tính toán, nhưng nhìn chung, chúng được thiết kế để nắm bắt cấu trúc tầm xa mà bản thân CNN không thể làm được. Góc nhìn rộng hơn này giúp mô hình khôi phục các kết cấu lặp lại, bề mặt nhẵn hoặc các vật thể lớn cần thông tin từ khắp hình ảnh.

Các phương pháp khử nhiễu hình ảnh khác

Bên cạnh các kỹ thuật tự giám sát, còn có một số cách khác để làm sạch ảnh nhiễu. Các phương pháp truyền thống, chẳng hạn như lọc song phương, khử nhiễu wavelet và các phương pháp phi cục bộ, sử dụng các quy tắc toán học đơn giản để làm mịn nhiễu trong khi vẫn giữ lại các chi tiết quan trọng. 

Trong khi đó, các phương pháp học sâu cũng tồn tại, bao gồm các mô hình có giám sát học từ các cặp ảnh sạch-nhiễu và các mạng đối kháng sinh sinh (GAN) tạo ra kết quả sắc nét và chân thực hơn. Tuy nhiên, các phương pháp này thường yêu cầu chất lượng hình ảnh tốt hơn để đào tạo.

Hướng dẫn từng bước về cách khử nhiễu hình ảnh tự giám sát hoạt động

Vì chúng ta vừa xem xét một số kỹ thuật khác nhau, bạn có thể thắc mắc liệu mỗi kỹ thuật có hoạt động theo một cách hoàn toàn khác nhau hay không, vì chúng sử dụng kiến trúc riêng. Tuy nhiên, tất cả đều tuân theo một quy trình tương tự, bắt đầu bằng việc chuẩn bị dữ liệu và kết thúc bằng việc đánh giá mô hình.

Tiếp theo, chúng ta hãy xem xét kỹ hơn từng bước hoạt động của quy trình khử nhiễu hình ảnh tự giám sát tổng thể. 

Bước 1: Tiền xử lý và chuẩn hóa

Trước khi mô hình có thể bắt đầu học từ những hình ảnh nhiễu, bước đầu tiên là đảm bảo tất cả các hình ảnh đều trông nhất quán. Ảnh thật có thể khác nhau rất nhiều. 

Một số hình ảnh có thể quá sáng, một số khác quá tối, và một số có thể hơi lệch màu. Nếu chúng ta đưa trực tiếp những biến thể này vào mô hình, mô hình sẽ khó tập trung vào việc nhận biết nhiễu trông như thế nào.

Để xử lý vấn đề này, mỗi hình ảnh đều trải qua quá trình chuẩn hóa và tiền xử lý cơ bản. Quá trình này có thể bao gồm việc điều chỉnh giá trị pixel theo một phạm vi chuẩn, hiệu chỉnh các biến thiên cường độ hoặc cắt xén và thay đổi kích thước. Điều quan trọng là mô hình phải nhận được dữ liệu sạch, có thể được sử dụng làm đầu vào ổn định và có thể so sánh được.

Bước 2: Tạo tín hiệu đào tạo tự giám sát

Sau khi hình ảnh đã được chuẩn hóa, bước tiếp theo là tạo tín hiệu huấn luyện cho phép mô hình học mà không cần nhìn thấy hình ảnh sạch. Các phương pháp khử nhiễu tự giám sát thực hiện điều này bằng cách đảm bảo mô hình không thể sao chép đơn giản các giá trị pixel nhiễu mà nó nhận được. 

Thay vào đó, chúng tạo ra những tình huống mà mô hình phải dựa vào bối cảnh xung quanh hình ảnh, vốn chứa một cấu trúc ổn định, thay vì nhiễu không thể đoán trước. Các phương pháp khác nhau đạt được điều này theo những cách hơi khác nhau, nhưng ý tưởng cốt lõi thì giống nhau. 

Một số phương pháp tạm thời ẩn hoặc che một số điểm ảnh nhất định để mô hình phải suy ra chúng từ các điểm ảnh lân cận, trong khi một số phương pháp khác tạo ra một phiên bản bị lỗi riêng biệt của cùng một ảnh nhiễu, sao cho ảnh đầu vào và ảnh đích chứa nhiễu độc lập. Trong cả hai trường hợp, ảnh đích đều mang thông tin cấu trúc có ý nghĩa nhưng ngăn mạng truy cập giá trị nhiễu ban đầu của điểm ảnh mà nó dự đoán.

Vì nhiễu thay đổi ngẫu nhiên trong khi hình ảnh cơ bản vẫn nhất quán, nên thiết lập này tự nhiên khuyến khích mô hình tìm hiểu cấu trúc thực sự trông như thế nào và bỏ qua nhiễu thay đổi từ phiên bản này sang phiên bản khác.

Bước 3: Học cách khử nhiễu để khôi phục cấu trúc hình ảnh

Với tín hiệu huấn luyện đã có, mô hình có thể bắt đầu học cách tách cấu trúc hình ảnh có ý nghĩa khỏi nhiễu thông qua huấn luyện mô hình. Mỗi khi dự đoán một điểm ảnh bị che khuất hoặc bị tái nhiễu, nó phải dựa vào bối cảnh xung quanh thay vì giá trị nhiễu ban đầu chiếm vị trí đó. 

Qua nhiều lần lặp lại hoặc kỷ nguyên, điều này dạy cho mạng nhận dạng các loại mẫu hình ổn định trên toàn bộ hình ảnh, chẳng hạn như các cạnh, kết cấu và bề mặt nhẵn. Mạng cũng học cách bỏ qua các biến động ngẫu nhiên đặc trưng của nhiễu. 

Ví dụ, hãy xem xét một bức ảnh thiếu sáng với bề mặt trông cực kỳ nhiễu hạt. Mặc dù nhiễu thay đổi tùy theo từng điểm ảnh, bề mặt bên dưới vẫn mịn màng. Bằng cách liên tục suy ra các điểm ảnh ẩn trong các vùng như vậy, mô hình dần dần trở nên tốt hơn trong việc xác định mẫu hình ổn định bên dưới nhiễu và tái tạo nó một cách rõ ràng hơn. 

Thông qua quá trình huấn luyện mô hình, mạng học được cách biểu diễn nội bộ cấu trúc của hình ảnh. Điều này cho phép mô hình khôi phục các chi tiết mạch lạc ngay cả khi dữ liệu đầu vào bị sai lệch nghiêm trọng.

Bước 4: Xác thực và giảm nhiễu kết quả

Sau khi mô hình đã học được cách dự đoán các điểm ảnh bị ẩn hoặc bị tái hỏng, bước cuối cùng là đánh giá hiệu suất của nó trên các ảnh đầy đủ. Trong quá trình thử nghiệm, mô hình nhận toàn bộ ảnh nhiễu và tạo ra một phiên bản khử nhiễu hoàn chỉnh dựa trên những gì nó đã học được về cấu trúc ảnh. Để đánh giá hiệu quả của quá trình này, kết quả đầu ra được so sánh với các ảnh tham chiếu sạch hoặc các tập dữ liệu chuẩn.

Hai chỉ số thường được sử dụng là PSNR (Tỷ lệ tín hiệu trên nhiễu đỉnh), đo lường mức độ gần đúng của kết quả tái tạo với dữ liệu gốc, và SSIM (Chỉ số tương đồng cấu trúc), đánh giá mức độ bảo toàn các đặc điểm quan trọng như cạnh và kết cấu. Điểm số cao hơn thường cho thấy khả năng khử nhiễu chính xác và đáng tin cậy hơn về mặt thị giác.

Bộ dữ liệu hình ảnh được sử dụng để đào tạo và đánh giá chuẩn

Nghiên cứu khử nhiễu tự giám sát, xuất hiện trên các tạp chí IEEE và hội nghị CVF, cùng với các công trình khác như CVPR, ICCV và ECCV, cũng như được phân phối rộng rãi trên arXiv, thường dựa trên sự kết hợp giữa các tập dữ liệu tổng hợp và thực tế để đánh giá hiệu suất mô hình của các phương pháp học sâu trong cả điều kiện được kiểm soát và điều kiện thực tế. Một mặt, các tập dữ liệu tổng hợp bắt đầu với hình ảnh sạch và thêm nhiễu nhân tạo, giúp dễ dàng so sánh các phương pháp bằng các số liệu như PSNR và SSIM.

Sau đây là một số tập dữ liệu phổ biến thường được sử dụng với nhiễu tổng hợp được thêm vào để đánh giá chuẩn:

• Kodak24 : Bộ dữ liệu này cung cấp các bức ảnh thiên nhiên chất lượng cao thường được sử dụng để so sánh trực quan kết quả khử nhiễu.
  
  
• DIV2K : Bộ dữ liệu có độ phân giải cao này chứa nhiều hình ảnh chi tiết, đa dạng được sử dụng để đánh giá độ trung thực của kết cấu và chất lượng phục hồi tổng thể.

Mặt khác, các tập dữ liệu nhiễu thực tế chứa hình ảnh được chụp trực tiếp từ cảm biến camera trong điều kiện ánh sáng yếu, ISO cao hoặc các điều kiện khó khăn khác. Các tập dữ liệu này kiểm tra xem một mô hình có thể xử lý nhiễu phức tạp, phi Gauss mà không dễ dàng mô phỏng hay không.

Sau đây là một số tập dữ liệu nhiễu phổ biến trong thế giới thực:

• SIDD : Bộ dữ liệu này cung cấp các cặp hình ảnh thực sự rõ nét và không nhiễu được chụp bằng cảm biến điện thoại thông minh trong nhiều môi trường ánh sáng khác nhau.
  
  
• DND : Bao gồm các bức ảnh ISO cao chụp được các mẫu nhiễu cảm biến thực tế thường thấy ở máy ảnh tiêu dùng.

‍

‍

Các yếu tố cần xem xét khi đào tạo mô hình khử nhiễu tự giám sát

Sau đây là một số yếu tố và hạn chế cần cân nhắc nếu bạn định đào tạo một mô hình khử nhiễu tự giám sát dựa trên học sâu:

• Phù hợp với phân bố nhiễu: Các hình ảnh nhiễu được sử dụng để đào tạo phải phản ánh cùng một loại nhiễu mà mô hình sẽ gặp phải khi sử dụng thực tế; nhiễu không phù hợp sẽ dẫn đến khả năng khái quát kém.
• Đảm bảo tính đa dạng của dữ liệu đào tạo: Sự thay đổi hạn chế có thể gây ra hiện tượng quá khớp hoặc quá mịn trong các kết cấu phức tạp.
• Lưu ý đến những hạn chế về loại nhiễu: Các phương pháp tự giám sát gặp nhiều khó khăn hơn với nhiễu có cấu trúc, tương quan hoặc không ngẫu nhiên.
• Kiểm tra trên nhiều thiết bị hoặc cảm biến: Hiệu suất khử nhiễu có thể thay đổi rất nhiều giữa các camera hoặc hệ thống hình ảnh.

Những điều cần nhớ

Khử nhiễu tự giám sát mang đến cho những người đam mê AI một phương pháp thiết thực để làm sạch hình ảnh chỉ bằng dữ liệu nhiễu mà chúng ta đã có. Bằng cách học cách nhận dạng cấu trúc thực bên dưới nhiễu, các phương pháp này có thể khôi phục các chi tiết hình ảnh quan trọng. Khi công nghệ khử nhiễu tiếp tục được cải thiện, nó có thể sẽ giúp nhiều tác vụ thị giác máy tính trở nên đáng tin cậy hơn trong các bối cảnh hàng ngày.

Hãy trở thành một phần trong cộng đồng đang phát triển của chúng tôi! Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Nếu bạn đang tìm kiếm giải pháp thị giác máy tính, hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá những lợi ích của thị giác máy tính trong bán lẻ và xem AI trong sản xuất đang tạo ra sự khác biệt như thế nào!