Sử dụng học tự giám sát để khử nhiễu ảnh

Hình ảnh là một phần trong cuộc sống hằng ngày, từ những bức ảnh chúng ta chụp đến video do camera ở nơi công cộng ghi lại. Hình ảnh chứa nhiều thông tin hữu ích, và công nghệ hiện đại giúp chúng ta có thể phân tích cũng như diễn giải dữ liệu này.

Cụ thể, thị giác máy tính, một nhánh của trí tuệ nhân tạo (AI), cho phép máy móc xử lý thông tin hình ảnh và hiểu những gì chúng nhìn thấy, tương tự con người. Tuy nhiên, trong các ứng dụng thực tế, hình ảnh thường không hoàn hảo.

Nhiễu ảnh do mưa, bụi, ánh sáng yếu hoặc giới hạn của cảm biến có thể che khuất các chi tiết quan trọng, khiến model AI thị giác khó phát hiện đối tượng hoặc diễn giải chính xác cảnh vật hơn. Khử nhiễu ảnh giúp giảm nhiễu, nhờ đó model AI thị giác có thể nhìn rõ chi tiết hơn và đưa ra dự đoán tốt hơn.

Hình 1. Ví dụ về khử nhiễu ảnh. (Nguồn)

Theo phương pháp truyền thống, khử nhiễu ảnh dựa vào học có giám sát, trong đó model được huấn luyện bằng các cặp ảnh nhiễu và ảnh sạch để học cách loại bỏ nhiễu. Tuy nhiên, việc thu thập ảnh tham chiếu sạch hoàn hảo không phải lúc nào cũng khả thi.

Để giải quyết thách thức này, các nhà nghiên cứu đã phát triển phương pháp khử nhiễu ảnh tự giám sát. Phương pháp này hướng đến việc huấn luyện model AI học trực tiếp từ dữ liệu, tự tạo tín hiệu học để loại bỏ nhiễu mà vẫn giữ lại các chi tiết quan trọng, không cần ảnh tham chiếu sạch.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về các model khử nhiễu ảnh tự giám sát, cách chúng hoạt động, những kỹ thuật cốt lõi làm nền tảng cho chúng và các ứng dụng thực tế.

Khử nhiễu ảnh tự giám sát là gì?#

Ảnh nhiễu có thể khiến model AI thị giác khó diễn giải nội dung trong ảnh. Chẳng hạn, ảnh chụp trong điều kiện thiếu sáng có thể bị nhiễu hạt hoặc mờ, che khuất những đặc điểm tinh tế giúp model nhận diện đối tượng chính xác.

Trong phương pháp khử nhiễu dựa trên học có giám sát, model được huấn luyện bằng các cặp ảnh, gồm một ảnh nhiễu và một ảnh sạch, để học cách loại bỏ nhiễu không mong muốn. Phương pháp này hoạt động tốt, nhưng việc thu thập dữ liệu tham chiếu sạch hoàn hảo thường tốn thời gian và khó thực hiện trong các tình huống thực tế.

Đó là lý do các nhà nghiên cứu chuyển sang phương pháp khử nhiễu ảnh tự giám sát. Phương pháp này dựa trên khái niệm học tự giám sát, trong đó model tự học bằng cách tạo tín hiệu học từ dữ liệu.

Vì phương pháp này không phụ thuộc vào các bộ dữ liệu gán nhãn lớn, khử nhiễu tự giám sát nhanh hơn, có khả năng mở rộng tốt hơn và dễ áp dụng trong nhiều lĩnh vực như chụp ảnh thiếu sáng, chẩn đoán hình ảnh y tế và phân tích ảnh vệ tinh, nơi thường không có sẵn ảnh tham chiếu sạch.

Thay vì dựa vào ảnh tham chiếu sạch, phương pháp này huấn luyện trực tiếp trên dữ liệu nhiễu bằng cách dự đoán pixel bị che hoặc tái tạo những phần bị thiếu. Qua quá trình này, model học cách phân biệt chi tiết hình ảnh có ý nghĩa với nhiễu ngẫu nhiên, từ đó tạo ra kết quả rõ nét và chính xác hơn.

Mặc dù có vẻ tương tự học không giám sát, học tự giám sát thực chất là một trường hợp đặc biệt của phương pháp này. Điểm khác biệt chính là trong học tự giám sát, model tự tạo nhãn hoặc tín hiệu huấn luyện từ dữ liệu để học một tác vụ cụ thể. Ngược lại, học không giám sát tập trung tìm kiếm các mẫu hoặc cấu trúc ẩn trong dữ liệu mà không có tác vụ rõ ràng hay mục tiêu định trước.

Các chiến lược học trong khử nhiễu tự giám sát#

Các model khử nhiễu tự giám sát có thể học theo nhiều cách. Một số model lấp đầy các pixel bị che hoặc bị thiếu, trong khi những model khác so sánh nhiều phiên bản nhiễu của cùng một hình ảnh để tìm ra các chi tiết nhất quán.

Ví dụ, một phương pháp phổ biến có tên là học điểm mù tập trung huấn luyện model khử nhiễu bỏ qua pixel mà model đang tái tạo và thay vào đó dựa vào ngữ cảnh xung quanh. Theo thời gian, model tái tạo ảnh chất lượng cao trong khi vẫn giữ được kết cấu, đường biên và màu sắc thiết yếu.

Cách học tự giám sát loại bỏ nhiễu#

Tiếp theo, chúng ta sẽ tìm hiểu quy trình học tự giám sát loại bỏ nhiễu.

Quy trình khử nhiễu tự giám sát thường bắt đầu bằng cách đưa hình ảnh nhiễu vào model khử nhiễu. Model phân tích các pixel lân cận để ước tính hình dạng phù hợp của từng pixel không rõ hoặc bị che, từ đó dần học cách phân biệt nhiễu với chi tiết hình ảnh thực.

Hãy xem xét hình ảnh bầu trời tối, nhiễu hạt. Model quan sát các ngôi sao gần đó và những mẫu xung quanh để dự đoán từng vùng ảnh nhiễu sẽ trông như thế nào nếu không có nhiễu. Bằng cách lặp lại quy trình này trên toàn bộ ảnh, model học cách tách nhiễu ngẫu nhiên khỏi các đặc điểm có ý nghĩa, tạo ra kết quả rõ nét và chính xác hơn.

Nói cách khác, model dự đoán phiên bản ảnh sạch hơn dựa trên ngữ cảnh mà không cần đến ảnh tham chiếu sạch hoàn hảo. Quy trình này có thể được triển khai bằng nhiều loại model khác nhau, mỗi loại có thế mạnh riêng trong việc xử lý nhiễu.

Các loại model dùng để giảm nhiễu ảnh tự giám sát#

Dưới đây là tổng quan nhanh về các loại model thường được dùng để khử nhiễu ảnh tự giám sát:

• Mạng nơ-ron tích chập (CNNs): CNNs là các model deep learning được thiết kế để nhận diện mẫu trong những vùng nhỏ của ảnh. Chúng quét ảnh bằng các bộ lọc để phát hiện đường biên, hình dạng và kết cấu. Trong khử nhiễu tự giám sát, chúng thường dùng kỹ thuật điểm mù, trong đó pixel mục tiêu bị loại khỏi đầu vào để model dự đoán giá trị của pixel chỉ dựa trên các pixel xung quanh. Điều này giúp model tránh sao chép nhiễu và thay vào đó suy luận ra các chi tiết sạch hơn.
• Autoencoder: Autoencoder là mạng nơ-ron học cách nén và tái tạo dữ liệu. Đầu tiên, chúng chuyển hình ảnh thành một biểu diễn nhỏ hơn (mã hóa), sau đó dựng lại hình ảnh (giải mã). Trong quá trình này, chúng học cách nắm bắt các đặc trưng hình ảnh quan trọng như hình dạng và kết cấu, đồng thời lọc bỏ nhiễu ngẫu nhiên và các chi tiết không liên quan.
• Model dựa trên Transformer: Transformer ban đầu được phát triển cho xử lý ngôn ngữ tự nhiên nhưng hiện được sử dụng rộng rãi trong các tác vụ thị giác. Chúng xử lý toàn bộ ảnh cùng lúc và học mối liên hệ giữa các vùng khác nhau. Góc nhìn tổng thể này cho phép chúng bảo toàn các chi tiết tinh tế và tính nhất quán về cấu trúc, ngay cả với ảnh phức tạp hoặc độ phân giải cao.

Hình 2. Minh họa kiến trúc dựa trên CNN được dùng để khử nhiễu ảnh tự giám sát. (Nguồn)

Huấn luyện các model này bằng hình ảnh được chụp trong các điều kiện ánh sáng và mức ISO khác nhau giúp chúng hoạt động tốt trong nhiều tình huống thực tế. Trong máy ảnh kỹ thuật số, mức ISO kiểm soát độ sáng mà máy ảnh thêm vào hình ảnh bằng cách khuếch đại tín hiệu nhận được.

ISO cao hơn giúp ảnh sáng hơn ở nơi tối nhưng cũng làm tăng nhiễu và giảm chi tiết. Bằng cách học từ hình ảnh được chụp ở các mức ISO khác nhau, model có thể phân biệt chi tiết thực với nhiễu tốt hơn, từ đó tạo ra kết quả rõ nét và chính xác hơn.

Model khử nhiễu học cách phân biệt nhiễu với chi tiết thực như thế nào?#

Model khử nhiễu học cách phân biệt nhiễu với chi tiết thực trong ảnh thông qua nhiều kỹ thuật huấn luyện khác nhau; các kỹ thuật này tách biệt với loại model dùng để khử nhiễu. Các loại model như CNN, autoencoder và Transformer mô tả cấu trúc mạng cũng như cách mạng xử lý thông tin hình ảnh.

Ngược lại, kỹ thuật huấn luyện xác định cách model học. Một số phương pháp sử dụng dự đoán dựa trên ngữ cảnh, trong đó model điền các pixel bị thiếu hoặc bị che bằng cách sử dụng thông tin từ những vùng lân cận.

Các phương pháp khác sử dụng học dựa trên tái tạo, trong đó model nén hình ảnh thành dạng đơn giản hơn rồi tái tạo lại, giúp model nhận diện các cấu trúc có ý nghĩa như đường viền và kết cấu, đồng thời lọc bỏ nhiễu ngẫu nhiên.

Loại model và kỹ thuật huấn luyện kết hợp với nhau quyết định khả năng làm sạch hình ảnh của model khử nhiễu. Bằng cách kết hợp kiến trúc phù hợp với phương pháp học phù hợp, model khử nhiễu tự giám sát có thể thích ứng với nhiều loại nhiễu và tạo ra hình ảnh rõ nét, chính xác hơn, ngay cả khi không có dữ liệu tham chiếu sạch.

Các kỹ thuật chính trong khử nhiễu ảnh AI tự giám sát#

Dưới đây là một số kỹ thuật huấn luyện được sử dụng rộng rãi nhất, cho phép khử nhiễu ảnh tự giám sát hiệu quả:

• Noise2Noise: Phương pháp này huấn luyện model bằng hai phiên bản nhiễu của cùng một hình ảnh. Vì nhiễu trong mỗi phiên bản là ngẫu nhiên, model học cách tập trung vào các chi tiết nhất quán đại diện cho hình ảnh thực và bỏ qua nhiễu. Phương pháp hoạt động hiệu quả nhất khi có nhiều ảnh chụp nhiễu của cùng một cảnh, chẳng hạn như trong chụp ảnh liên tiếp hoặc chụp ảnh y tế và khoa học.
• Noise2Void hoặc Noise2Self: Các kỹ thuật này huấn luyện model trên một ảnh nhiễu duy nhất bằng cách ẩn (che) một pixel rồi yêu cầu model dự đoán giá trị của pixel đó dựa trên các pixel xung quanh. Cách này ngăn model chỉ sao chép dữ liệu nhiễu và giúp model học cấu trúc tự nhiên của hình ảnh. Những kỹ thuật này đặc biệt hữu ích khi chỉ có một ảnh nhiễu, chẳng hạn trong kính hiển vi, thiên văn học hoặc chụp ảnh thiếu sáng.
• Mạng điểm mù: Các mạng này được thiết kế đặc biệt để model không thể nhìn thấy pixel đang tái tạo. Thay vào đó, model dựa vào thông tin từ vùng xung quanh để ước tính pixel đó trông như thế nào. Cách này giúp loại bỏ nhiễu chính xác và khách quan hơn; các mạng này thường được kết hợp với phương pháp Noise2Void hoặc Noise2Self trong các tác vụ khử nhiễu theo từng pixel.
• Autoencoder có mặt nạ (MAE): Trong phương pháp này, một số phần của hình ảnh bị ẩn và model học cách tái tạo các vùng bị thiếu. Qua đó, model học được cả chi tiết nhỏ lẫn cấu trúc tổng thể, giúp phân biệt nội dung thực với nhiễu. Autoencoder có mặt nạ đặc biệt hiệu quả với hình ảnh độ phân giải cao hoặc phức tạp, trong đó việc hiểu ngữ cảnh rộng hơn giúp cải thiện quá trình khôi phục.

Đánh giá các hệ thống khử nhiễu ảnh#

Khử nhiễu ảnh đòi hỏi cân bằng cẩn thận giữa hai mục tiêu: giảm nhiễu và giữ nguyên các chi tiết nhỏ. Khử nhiễu quá mức có thể khiến hình ảnh trông mềm hoặc mờ, trong khi khử nhiễu chưa đủ có thể để lại hạt nhiễu hoặc hiện tượng giả không mong muốn.

Để đánh giá model cân bằng hai mục tiêu này tốt đến đâu, các nhà nghiên cứu sử dụng những chỉ số đánh giá đo lường cả độ rõ nét của ảnh lẫn khả năng bảo toàn chi tiết. Các chỉ số này cho biết model làm sạch hình ảnh tốt đến đâu mà không làm mất thông tin hình ảnh quan trọng.

Dưới đây là các chỉ số đánh giá phổ biến giúp đo lường chất lượng hình ảnh và hiệu quả khử nhiễu:

• Sai số bình phương trung bình (MSE): Chỉ số này đo chênh lệch bình phương trung bình giữa ảnh gốc và ảnh đã khử nhiễu. Chỉ số này cho biết đầu ra gần với ảnh gốc đến mức nào ở cấp độ pixel. MSE càng thấp thì số lỗi càng ít và kết quả càng chính xác.
• Tỷ số tín hiệu trên nhiễu đỉnh (PSNR): Chỉ số này so sánh cường độ tín hiệu ảnh gốc với lượng nhiễu còn lại, tính bằng decibel. Chỉ số này được dùng để đánh giá lượng chi tiết gốc còn được giữ lại sau khi khử nhiễu. PSNR càng cao thì hình ảnh càng rõ nét và chất lượng càng tốt.
• Chỉ số đo độ tương đồng cấu trúc (SSIM): SSIM đánh giá cấu trúc, độ sáng và độ tương phản để đo mức độ tương đồng giữa ảnh đã khử nhiễu và ảnh gốc. Chỉ số này tập trung vào cách con người nhìn nhận hình ảnh, chứ không chỉ dựa trên các con số thô. SSIM càng cao thì hình ảnh càng tự nhiên và sát với ảnh gốc.
• Các chỉ số cảm nhận: Các chỉ số này sử dụng model học sâu để đánh giá hình ảnh trông chân thực và tự nhiên đến đâu. Thay vì so sánh từng pixel riêng lẻ, các chỉ số này tập trung vào tổng thể diện mạo, kết cấu và mức độ tương đồng về mặt thị giác. Trong hầu hết trường hợp, điểm số thấp hơn nghĩa là hình ảnh trông gần với ảnh gốc hơn và dễ nhìn hơn đối với con người.

Các ứng dụng của khử nhiễu tự giám sát#

Giờ đây khi đã hiểu rõ hơn khử nhiễu là gì, hãy cùng tìm hiểu cách áp dụng khử nhiễu ảnh tự giám sát trong các tình huống thực tế.

Ứng dụng khử nhiễu tự giám sát trong chụp ảnh thiên văn#

Chụp ảnh rõ nét các ngôi sao và thiên hà không hề dễ dàng. Bầu trời đêm tối nên máy ảnh thường cần thời gian phơi sáng dài, có thể tạo ra nhiễu không mong muốn. Nhiễu này có thể làm mờ các chi tiết vũ trụ nhỏ và khiến tín hiệu yếu khó phát hiện hơn.

Các công cụ khử nhiễu truyền thống có thể giúp giảm nhiễu, nhưng thường loại bỏ cả những chi tiết quan trọng. Khử nhiễu tự giám sát là một giải pháp thay thế thông minh hơn. Bằng cách học trực tiếp từ hình ảnh nhiễu, model AI có thể nhận diện các mẫu đại diện cho đặc trưng thực và phân biệt chúng với nhiễu ngẫu nhiên.

Kết quả là hình ảnh các thiên thể như sao, thiên hà và Mặt Trời rõ nét hơn nhiều, qua đó làm lộ ra những chi tiết mờ vốn có thể không được nhận thấy. Phương pháp này cũng có thể tăng cường các đặc trưng thiên văn tinh tế, cải thiện độ rõ nét của ảnh và giúp dữ liệu hữu ích hơn cho nghiên cứu khoa học.

Hình 3. Khử nhiễu ảnh có thể cải thiện hình ảnh thiên văn. (Nguồn)

Khử nhiễu tự giám sát cho ảnh y tế#

Ảnh y tế như MRI, CT và ảnh hiển vi thường có nhiễu, khiến các chi tiết nhỏ khó quan sát hơn. Điều này có thể gây khó khăn khi bác sĩ cần phát hiện dấu hiệu bệnh sớm hoặc theo dõi các thay đổi theo thời gian.

Nhiễu ảnh có thể xuất phát từ chuyển động của bệnh nhân, cường độ tín hiệu thấp hoặc giới hạn về lượng bức xạ được phép sử dụng. Để làm rõ ảnh y tế, các nhà nghiên cứu đã tìm hiểu những phương pháp khử nhiễu tự giám sát như Noise2Self và các phương pháp tương tự.

Trong một nghiên cứu, các model như vậy được huấn luyện trực tiếp trên ảnh MRI não có nhiễu, tự học các dạng nhiễu và làm sạch ảnh mà không cần ví dụ hoàn toàn rõ nét. Ảnh sau xử lý có kết cấu sắc nét hơn và độ tương phản tốt hơn, giúp nhận diện các cấu trúc nhỏ dễ dàng hơn. Các model khử nhiễu ứng dụng AI này có thể tinh giản quy trình chẩn đoán hình ảnh và đẩy nhanh quá trình phân tích.

Hình 4. Áp dụng các kỹ thuật khử nhiễu tự giám sát khác nhau cho ảnh MRI não. (Nguồn)

Cải thiện hệ thống thị giác bằng khử nhiễu tự giám sát#

Khử nhiễu có thể tạo ra tác động đáng kể trong nhiều ứng dụng thị giác máy tính. Bằng cách loại bỏ nhiễu và biến dạng không mong muốn, kỹ thuật này tạo ra dữ liệu đầu vào sạch hơn và nhất quán hơn để các model Vision AI xử lý.

Hình ảnh rõ nét hơn giúp cải thiện hiệu suất trong các tác vụ thị giác máy tính như phát hiện đối tượng, phân đoạn thực thể và nhận dạng hình ảnh. Dưới đây là một số ví dụ về ứng dụng mà các model Vision AI như Ultralytics YOLO11 và Ultralytics YOLO26 có thể hưởng lợi từ khử nhiễu:

• Kiểm tra công nghiệp: Khử nhiễu hỗ trợ phát hiện chính xác hơn các khuyết tật bề mặt hoặc điểm bất thường trong môi trường sản xuất, từ đó cải thiện kiểm soát chất lượng.
• Lái xe tự hành và định vị: Khử nhiễu cải thiện khả năng phát hiện đối tượng và chướng ngại vật trong các điều kiện khó khăn như thiếu sáng, mưa hoặc sương mù, qua đó nâng cao độ an toàn và độ tin cậy tổng thể.
• Giám sát và an ninh: Khử nhiễu cải thiện chất lượng hình ảnh trong luồng video thiếu sáng hoặc bị nén mạnh, giúp nhận diện và theo dõi đối tượng hoặc con người tốt hơn.
• Chụp ảnh dưới nước: Khử nhiễu làm giảm hiện tượng tán xạ và biến dạng ánh sáng, cải thiện khả năng quan sát và nhận dạng đối tượng trong môi trường nước đục.

Ưu và nhược điểm của khử nhiễu tự giám sát#

Dưới đây là một số lợi ích chính của việc sử dụng khử nhiễu tự giám sát trong các hệ thống hình ảnh:

• Khả năng thích ứng với nhiễu: Các phương pháp khử nhiễu tự giám sát có thể học trực tiếp từ dữ liệu nhiễu mà không cần ảnh tham chiếu sạch theo cặp. Nhờ vậy, các phương pháp này có thể thích ứng cao với nhiều mức độ và loại nhiễu thực tế, chẳng hạn như nhiễu cảm biến, nhòe do chuyển động hoặc nhiễu từ môi trường.
• Bảo toàn chi tiết: Khi được thiết kế tốt, các model này giữ lại kết cấu và đường viền nhỏ, vốn thiết yếu để diễn giải hình ảnh chính xác. Các phương pháp như mạng điểm mù và học dựa trên che giúp duy trì thông tin cấu trúc đồng thời giảm nhiễu.
• Giảm tiền xử lý: Bằng cách học chuyển đổi đầu vào nhiễu thành biểu diễn sạch chỉ từ dữ liệu hiện có, model giảm nhu cầu lọc thủ công, dùng thuật toán khử nhiễu được thiết kế riêng hoặc tuyển chọn tập dữ liệu huấn luyện.

Dù có nhiều lợi ích, khử nhiễu tự giám sát cũng đi kèm một số hạn chế. Dưới đây là một vài yếu tố cần cân nhắc:

• Yêu cầu tính toán: Các kiến trúc mạng nơ-ron sâu dùng để khử nhiễu tự giám sát, đặc biệt là model dựa trên Transformer, có thể cần nhiều tài nguyên tính toán và bộ nhớ hơn đáng kể so với các kỹ thuật lọc truyền thống.
• Độ phức tạp trong thiết kế model: Để đạt kết quả tối ưu, cần lựa chọn cẩn thận các thiết lập của model, chẳng hạn như chiến lược che và hàm loss; các thiết lập này có thể khác nhau tùy theo loại nhiễu.
• Thách thức trong đánh giá: Các chỉ số chất lượng hình ảnh phổ biến không phải lúc nào cũng phản ánh mức độ tự nhiên hoặc chân thực của ảnh đã khử nhiễu, vì vậy thường cần kiểm tra trực quan hoặc theo tác vụ cụ thể.

Điểm chính cần ghi nhớ#

Khử nhiễu tự giám sát giúp model AI học trực tiếp từ hình ảnh nhiễu, tạo ra kết quả rõ nét hơn đồng thời bảo toàn các chi tiết nhỏ. Phương pháp này hoạt động hiệu quả trong nhiều tình huống khó khăn, chẳng hạn như thiếu sáng, ISO cao và hình ảnh nhiều chi tiết. Khi AI tiếp tục phát triển, các kỹ thuật này có thể sẽ đóng vai trò thiết yếu trong nhiều ứng dụng thị giác máy tính.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub để tìm hiểu thêm về AI. Nếu bạn muốn xây dựng dự án Vision AI của riêng mình, hãy xem các lựa chọn cấp phép của chúng tôi. Truy cập các trang giải pháp của chúng tôi để tìm hiểu thêm về những ứng dụng như AI trong chăm sóc sức khỏe và Vision AI trong bán lẻ.