Sử dụng học tập tự giám sát để khử nhiễu hình ảnh

Hình ảnh là một phần trong cuộc sống hàng ngày của chúng ta, từ những bức ảnh chúng ta chụp cho đến những video được camera ghi lại ở nơi công cộng. Chúng chứa đựng những thông tin sâu sắc, và công nghệ tiên tiến cho phép phân tích và 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 như 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 hạn chế của cảm biến có thể làm mất đi các chi tiết quan trọng, khiến các mô hình Vision AI khó phát hiện vật thể hoặc diễn giải chính xác các cảnh. Khử nhiễu hình ảnh giúp giảm thiểu nhiễu này, giúp các mô hình Vision AI nhìn rõ chi tiết hơn và đưa ra dự đoán chính xác hơn.

‍

‍

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

Để giải quyết thách thức này, các nhà nghiên cứu đã phát triển bộ khử nhiễu hình ảnh tự giám sát . Họ hướng đến việc huấn luyện các mô hình AI học trực tiếp từ dữ liệu, tạo ra các tín hiệu học tập riêng để loại bỏ nhiễu và giữ lại các chi tiết quan trọng mà không cần ảnh tham chiếu sạch.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về bộ khử nhiễu hình ảnh tự giám sát, cách thức hoạt động, các kỹ thuật chính đằng sau chúng và ứng dụng thực tế của chúng. Hãy cùng bắt đầu nào!

Khử nhiễu hình ảnh tự giám sát là gì?

Hình ảnh nhiễu có thể khiến các mô hình Vision AI khó diễn giải nội dung trong ảnh. Ví dụ, ảnh chụp trong điều kiện thiếu sáng có thể bị nhiễu hạt hoặc mờ, che mất các đặc điểm tinh tế giúp mô hình nhận dạng chính xác các vật thể.

Trong phương pháp khử nhiễu dựa trên học có giám sát , các mô hình được huấn luyện bằng cách sử dụng các cặp ảnh, một ảnh nhiễu và một ảnh sạch, để học cách loại bỏ nhiễu không mong muốn. Mặc dù phương pháp này hiệu quả, việc thu thập dữ liệu tham chiếu hoàn toàn sạch thường tốn thời gian và khó khăn trong các tình huống thực tế.

Đó là lý do tại sao các nhà nghiên cứu đã chuyển sang phương pháp khử nhiễu hình ảnh tự giám sát. Phương pháp khử nhiễu hình ảnh tự giám sát được xây dựng dựa trên khái niệm học tự giám sát, trong đó các mô hình tự học bằng cách tạo ra các tín hiệu học tập riêng từ dữ liệu.  

Vì phương pháp này không phụ thuộc vào các tập dữ liệu có nhãn lớn nên việc khử nhiễu tự giám sát nhanh hơn, có khả năng mở rộng hơn và dễ áp dụng hơn trên các lĩnh vực như chụp ảnh thiếu sáng, hình ảnh y tế và phân tích hình ảnh vệ tinh, nơi mà thường không có sẵn hình ảnh tham chiếu rõ ràng.

Thay vì dựa vào ảnh tham chiếu sạch, phương pháp này huấn luyện trực tiếp trên dữ liệu nhiễu bằng cách dự đoán các điểm ảnh bị che khuất hoặc tái tạo các phần bị thiếu. Thông qua quá trình này, mô hình học cách phân biệt giữa các chi tiết hình ảnh có ý nghĩa và nhiễu ngẫu nhiên, dẫn đến kết quả đầu ra rõ ràng và chính xác hơn. 

Mặc dù có vẻ tương tự như học không giám sát , học tự giám sát thực chất là một trường hợp đặc biệt của nó. Điểm khác biệt chính là trong học tự giám sát, mô hình 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 vào việc tìm kiếm các mẫu hoặc cấu trúc ẩn trong dữ liệu mà không có bất kỳ tác vụ rõ ràng hoặc mục tiêu được xác định trước nào.

Chiến lược học tập trong khử nhiễu tự giám sát

Về khử nhiễu tự giám sát, có một số cách học diễn ra. Một số mô hình khử nhiễu tự giám sát sẽ lấp đầy các điểm ảnh bị che khuất hoặc bị thiếu, trong khi một số khác sẽ 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 được gọi là học điểm mù tập trung vào việc huấn luyện mô hình khử nhiễu để bỏ qua điểm ảnh mà nó đang tái tạo và thay vào đó dựa vào bối cảnh xung quanh. Theo thời gian, mô hình sẽ tái tạo hình ảnh chất lượng cao trong khi vẫn giữ nguyên kết cấu, cạnh và màu sắc thiết yếu.

Học tập tự giám sát hoạt động như thế nào để loại bỏ tiếng ồn

Tiếp theo, chúng ta sẽ khám phá quá trình đằng sau cách học tự giám sát loại bỏ nhiễu. 

Quá trình khử nhiễu tự giám sát thường bắt đầu bằng việc đưa hình ảnh nhiễu vào mô hình khử nhiễu. Mô hình sẽ phân tích các điểm ảnh gần đó để ước tính hình dạng của từng điểm ảnh không rõ nét hoặc bị che khuất, dần dần học cách phân biệt giữa nhiễu và chi tiết hình ảnh thực tế.

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

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

Các loại mô hình được sử dụng để giảm nhiễu hình ảnh tự giám sát

Sau đây là cái nhìn nhanh về các loại mô hình thường được sử dụng để khử nhiễu hình ảnh tự giám sát:

• Mạng nơ-ron tích chập (CNN): CNN là các mô hình học sâu được thiết kế để nhận dạng các mẫu hình trong các vùng nhỏ của ảnh. Chúng quét ảnh bằng bộ lọc để phát hiện các cạnh, hình dạng và kết cấu. Trong khử nhiễu tự giám sát, chúng thường sử dụng các kỹ thuật điểm mù, trong đó điểm ảnh mục tiêu bị loại khỏi dữ liệu đầu vào, do đó mô hình dự đoán giá trị của nó chỉ dựa trên các điểm ảnh xung quanh. Điều này giúp mô hình tránh sao chép nhiễu và suy ra các chi tiết rõ ràng hơn.
• Bộ mã hóa tự động: Bộ mã hóa tự động là mạng nơ-ron học cách nén và tái tạo dữ liệu. Đầu tiên, chúng giảm kích thước hình ảnh thành dạng biểu diễn nhỏ hơn (mã hóa) và sau đó tái tạo lại (giải mã). Trong quá trình này, chúng học cách nắm bắt các đặc điểm hình ảnh quan trọng như hình dạng và kết cấu, đồng thời lọc bỏ nhiễu ngẫu nhiên và các chi tiết không liên quan.
• Mô hình dựa trên bộ biến đổi: Bộ biến đổi là mô hình ban đầu được phát triển cho xử lý ngôn ngữ tự nhiên nhưng hiện được sử dụng rộng rãi cho các tác vụ thị giác. Chúng xử lý toàn bộ hình ảnh cùng một lúc, tìm hiểu cách các vùng khác nhau liên quan với nhau. Góc nhìn toàn cục này cho phép chúng bảo toàn các chi tiết tinh tế và tính nhất quán về cấu trúc, ngay cả trong hình ảnh phức tạp hoặc có độ phân giải cao.

‍

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

ISO cao hơn giúp ảnh sáng hơn ở những nơi tối nhưng cũng làm tăng nhiễu và giảm chi tiết. Bằng cách học hỏi từ các ảnh chụp ở các mức ISO khác nhau, các mô hình sẽ phân biệt chi tiết thực tế và nhiễu tốt hơn, mang lại kết quả rõ nét và chính xác hơn.

Làm thế nào bộ khử nhiễu có thể biết được đâu là tiếng ồn và đâu là tiếng thật?

Bộ khử nhiễu học cách phân biệt nhiễu với chi tiết hình ảnh thực thông qua các kỹ thuật đào tạo khác nhau, tách biệt với các loại mô hình được sử dụng để khử nhiễu. Các loại mô hình như CNN, bộ mã hóa tự động và bộ biến đổi mô tả cấu trúc của mạng và cách nó xử lý thông tin hình ảnh.

Mặt khác, các kỹ thuật đào tạo xác định cách mô hình học. Một số phương pháp sử dụng dự đoán dựa trên ngữ cảnh, trong đó mô hình lấp đầy các điểm ảnh bị thiếu hoặc bị che khuất bằng cách sử dụng thông tin từ các khu vực lân cận. 

Những người khác sử dụng phương pháp học dựa trên tái tạo, trong đó mô hình nén hình ảnh thành dạng đơn giản hơn rồi xây dựng lại, giúp nhận dạng các cấu trúc có ý nghĩa như cạnh và kết cấu trong khi lọc bỏ nhiễu ngẫu nhiên.

Kết hợp giữa loại mô hình và kỹ thuật đào tạo, bộ khử nhiễu có thể làm sạch hình ảnh hiệu quả đến mức nào. Bằng cách kết hợp kiến trúc phù hợp với phương pháp học tập phù hợp, bộ 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 hình ảnh AI tự giám sát

Sau đây là một số kỹ thuật đào tạo được sử dụng rộng rãi nhất giúp khử nhiễu hình ảnh tự giám sát hiệu quả:

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

Đánh giá hệ thống khử nhiễu hình ảnh

Khử nhiễu hình ảnh là sự cân bằng cẩn thận giữa hai mục tiêu: giảm nhiễu và giữ nguyên các chi tiết tinh tế. Khử nhiễu quá nhiều có thể khiến hình ảnh trông mờ hoặc nhòe, trong khi khử nhiễu quá ít có thể để lại hạt nhiễu hoặc hiện tượng nhiễu không mong muốn.

Để hiểu rõ mức độ cân bằng này của một mô hình, các nhà nghiên cứu sử dụng các chỉ số đánh giá đo lường cả độ rõ nét của hình ảnh và khả năng bảo toàn chi tiết. Các chỉ số này cho thấy mức độ mô hình làm sạch hình ảnh mà không làm mất thông tin thị giác quan trọng. 

Sau đây là các số liệu đánh giá phổ biến giúp đo lường chất lượng hình ảnh và hiệu suất khử nhiễu:

• Sai số bình phương trung bình (MSE): Đo lường chênh lệch bình phương trung bình giữa ảnh gốc và ảnh đã khử nhiễu. Chỉ số này cho thấy độ gần đúng của kết quả đầu ra so với ảnh gốc ở cấp độ pixel. Giá trị MSE càng thấp thì lỗi càng ít và kết quả càng chính xác.
  
• Tỷ lệ Tín hiệu trên Nhiễu Đỉnh (PSNR): Chỉ số này so sánh cường độ tín hiệu hình ảnh gốc với nhiễu còn lại, được biểu thị bằng decibel. Chỉ số này được sử dụng để xem mức độ chi tiết gốc được giữ lại sau khi khử nhiễu. Giá trị PSNR càng cao đồng nghĩa với hình ảnh rõ nét hơn, chất lượng cao hơn.
  
• Chỉ số Tương đồng Cấu trúc (SSIM): SSIM đánh giá cấu trúc, độ sáng và độ tương phản để đánh giá mức độ tương đồng giữa ảnh đã khử nhiễu và ảnh gốc. Phương pháp này tập trung vào cách con người nhìn nhận hình ảnh, chứ không chỉ là các con số thô. Điểm SSIM càng cao thì hình ảnh càng tự nhiên và chân thực hơn so với ảnh gốc.
  
• Chỉ số nhận thức: Các chỉ số này sử dụng mô hình học sâu để đánh giá mức độ chân thực và tự nhiên của hình ảnh. Thay vì so sánh từng pixel riêng lẻ, chúng tập trung vào tổng thể diện mạo, kết cấu và độ tương đồng về mặt thị giác. Trong hầu hết các trường hợp, điểm số thấp hơn có nghĩa là hình ảnh trông gần giống với bản gốc hơn và dễ nhìn hơn đối với con người.

Ứng dụng của khử nhiễu tự giám sát

Bây giờ chúng ta đã hiểu rõ hơn về khử nhiễu, hãy cùng khám phá cách khử nhiễu hình ảnh tự giám sát được áp dụng trong các tình huống thực tế như thế nào.

Sử 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 rất tối, vì vậy máy ảnh thường cần thời gian phơi sáng lâu, điều này có thể gây ra nhiễu không mong muốn. Nhiễu này có thể làm mờ các chi tiết vũ trụ tinh tế và khiến các tín hiệu yếu khó phát hiện hơn.

Các công cụ khử nhiễu truyền thống có thể giúp giảm nhiễu, nhưng chúng thường loại bỏ các chi tiết quan trọng. Khử nhiễu tự giám sát mang đến một giải pháp thay thế thông minh hơn. Bằng cách học trực tiếp từ hình ảnh nhiễu, mô hình AI có thể nhận dạng các mẫu đại diện cho các đặc điểm thực và tách chúng khỏi nhiễu ngẫu nhiên.

Kết quả là hình ảnh các thiên thể như sao, thiên hà và Mặt Trời rõ nét hơn nhiều, cho thấy những chi tiết mờ nhạt mà nếu không có công nghệ này, chúng có thể bị bỏ qua. Công nghệ này cũng có thể làm nổi bật các đặc điểm thiên văn tinh tế, cải thiện độ rõ nét của hình ảnh và giúp dữ liệu hữu ích hơn cho nghiên cứu khoa học.

‍

‍

Khử nhiễu tự giám sát cho hình ảnh y tế

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

Nhiễu hình ảnh có thể đến từ chuyển động của bệnh nhân, cường độ tín hiệu yếu hoặc giới hạn về lượng bức xạ có thể sử dụng. Để làm cho hình ảnh quét y tế rõ nét hơn, các nhà nghiên cứu đã khám phá các phương pháp khử nhiễu tự giám sát như Noise2Self và các phương pháp tương tự khác. 

Các mô hình này được đào tạo trực tiếp trên hình ảnh MRI não bị nhiễu, tự học các mẫu nhiễu và loại bỏ chúng mà không cần các ví dụ rõ ràng hoàn hảo. Hình ảnh được xử lý cho thấy kết cấu sắc nét hơn và độ tương phản tốt hơn, giúp dễ dàng nhận dạng các cấu trúc tinh tế hơn. Các bộ khử nhiễu được hỗ trợ bởi AI này giúp đơn giản hóa quy trình làm việc trong chẩn đoán hình ảnh và cải thiện hiệu quả phân tích theo thời gian thực.

‍

‍

Nâng cao hệ thống thị giác với chức năng khử nhiễu tự giám sát

Trong hầu hết các trường hợp, khử nhiễu có tác động đáng kể đến nhiều ứng dụng thị giác máy tính. Bằng cách loại bỏ nhiễu và biến dạng không mong muốn, nó tạo ra dữ liệu đầu vào sạch hơn và nhất quán hơn để các mô hình 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 các ứng dụng mà các mô hình Vision AI, chẳng hạn như Ultralytics YOLO11 và Ultralytics YOLO26 , có thể được hưởng lợi từ việc khử nhiễu:

• Kiểm tra công nghiệp : Khử nhiễu giúp phát hiện chính xác hơn các khuyết tật bề mặt hoặc bất thường trong môi trường sản xuất, dẫn đến cải thiện kiểm soát chất lượng.
• Lái xe và dẫn đường tự động : Tăng cường khả năng phát hiện vật thể và chướng ngại vật trong những điều kiện khó khăn như ánh sáng yếu, mưa hoặc sương mù, cải thiện độ an toàn và độ tin cậy tổng thể.
• Giám sát và an ninh: Giảm nhiễu cải thiện chất lượng hình ảnh trong nguồn cấp dữ liệu video có độ nén cao hoặc ánh sáng yếu, cho phép nhận dạng và theo dõi đối tượng hoặc con người tốt hơn.
• Chụp ảnh dưới nước : Khử nhiễu làm giảm sự tán xạ và biến dạng ánh sáng, tăng cường khả năng hiển thị và nhận dạng vật thể trong điều kiện dưới nước đục.

Ưu và nhược điểm của việc khử nhiễu tự giám sát

Sau đây là một số lợi ích chính của việc sử dụng chức năng khử nhiễu tự giám sát trong 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 tham chiếu sạch được ghép nối. Điều này giúp chúng có khả năng thích ứng cao với nhiều mức độ và loại nhiễu trong thế giới thực, chẳng hạn như nhiễu cảm biến, nhòe chuyển động hoặc nhiễu môi trường.
• Bảo toàn chi tiết: Khi được thiết kế tốt, các mô hình này sẽ bảo toàn các kết cấu và cạnh sắc nét, vốn rất cần thiết cho việc diễn giải hình ảnh chính xác. Các phương pháp như mạng lưới điểm mù và học dựa trên kỹ thuật che chắn giúp duy trì thông tin cấu trúc đồng thời giảm nhiễu.
• Ít xử lý trước: Bằng cách học cách ánh xạ các đầu vào nhiễu thành các biểu diễn sạch chỉ bằng cách sử dụng dữ liệu có sẵn, mô hình giảm thiểu nhu cầu lọc thủ công, thuật toán khử nhiễu thủ công hoặc tập dữ liệu đào tạo được quản lý.

Mặc dù có nhiều lợi ích, việc tự giám sát khử nhiễu cũng có một số hạn chế nhất định. Dưới đây là một số yếu tố cần cân nhắc:

• Yêu cầu tính toán: Kiến trúc mạng nơ-ron sâu được sử dụng để khử nhiễu tự giám sát, đặc biệt là các mô hình dựa trên bộ biến áp, có thể yêu cầu sức mạnh tính toán và tài nguyên bộ nhớ đáng kể so với các kỹ thuật lọc truyền thống.
• Độ phức tạp của thiết kế mô hình: Để đạt được kết quả tối ưu, cần phải lựa chọn cẩn thận các thiết lập mô hình, chẳng hạn như chiến lược che giấu và hàm mất mát, có thể thay đổi tùy theo các loại nhiễu khác nhau.
• Thách thức đánh giá: Các số liệu chất lượng hình ảnh thông thường không phải lúc nào cũng khớp với độ tự nhiên hoặc chân thực của hình ảnh đã khử nhiễu, do đó thường cần phải kiểm tra trực quan hoặc theo từng nhiệm vụ cụ thể.

Những điều cần nhớ

Khử nhiễu tự giám sát giúp các mô hình AI học trực tiếp từ hình ảnh nhiễu, tạo ra kết quả rõ nét hơn mà vẫn giữ được các chi tiết tinh tế. Nó hoạt động hiệu quả trong nhiều tình huống khó khăn, chẳng hạn như ánh sáng yếu, ISO cao và hình ảnh chi tiết. Khi AI tiếp tục phát triển, các kỹ thuật như vậy 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 kho lưu trữ GitHub để tìm hiểu thêm về AI. Nếu bạn đang muốn xây dựng dự án Vision AI của riêng mình, hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá thêm về các ứng dụng như AI trong chăm sóc sức khỏe và Vision AI trong bán lẻ bằng cách truy cập trang giải pháp của chúng tôi.