Phục chế và tăng cường độ phân giải cho ảnh cũ bằng cách kết hợp mô hình học sâu luận văn thạc sĩ công nghệ thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHỤC CHẾ VÀ TĂNG CƯỜNG ĐỘ PHÂN GIẢI CHO ẢNH CŨ BẰNG CÁCH KẾT HỢP MƠ HÌNH HỌC SÂU LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHỤC CHẾ VÀ TĂNG CƯỜNG ĐỘ PHÂN GIẢI CHO ẢNH CŨ BẰNG CÁCH KẾT HỢP MƠ HÌNH HỌC SÂU Chun ngành: Cơng nghệ thơng tin Mã số: 60480201 Đồng Nai, Năm 2022 LỜI CẢM ƠN Được đồng ý Khoa Sau Đại học, Trường Đại học Lạc Hồng giảng viên hướng dẫn TS cho phép em thực đề tài “Phục chế tăng cường độ phân giải cho ảnh cũ cách kết hợp mơ hình học sâu” Lời đầu tiên, em xin chân thành cảm ơn Ban Giám hiệu, quý Thầy/Cô Khoa Sau đại học Trường Đại học Lạc Hồng tạo điều kiện để em hồn thành chương trình học thực tốt luận văn thạc sĩ Công nghệ thông tin Xin chân trọng cảm ơn Thầy/ Cô tham gia giảng dạy truyền đạt kiến thức thời gian qua Hơn hết, em xin chân thành cảm ơn thầy TS tận tình hướng dẫn, góp ý, bảo tạo điều kiện thuận lợi để em hoàn thành luận tốt văn Em xin gửi lời cảm ơn đến anh chị, đồng nghiệp, bạn lớp quan tâm giúp đỡ em suốt thời gian học tập làm luận văn Em xin bày tỏ lòng biết ơn sâu sắc động viên từ Cha Mẹ, người thân gia đình hỗ trợ em thực luận văn HỌC VIÊN LỜI CAM ĐOAN Tôi cam đoan kết đạt luận văn sản phẩm cá nhân tơi, kết đạt trình học tập nghiên cứu Trong toàn nội dung luận văn, điều trình bày cá nhân tổng hợp từ nhiều nguồn tài liệu Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn tồn chịu trách nhiệm cho lời cam đoan HỌC VIÊN TRƯỜNG ĐẠI HỌC LẠC HỒNG KHOA SAU ĐẠI HỌC TÓM TẮT LUẬN VĂN (Dùng cho học viên người hướng dẫn) Đề tài: Phục chế tăng cường độ phân giải cho ảnh cũ cách kết hợp mơ hình học sâu Ngành: Học viên: Người hướng dẫn: Cơng nghệ thơng tin Mã số: NỘI DUNG TĨM TẮT Nội dung giao kết - Thu thập liệu: Bộ liệu phục vụ trình huấn luyện (Ảnh cũ, ảnh bị nhiễu, ảnh bị rách, ) - Tìm hiểu xử lý ảnh thư viện xử lý ảnh số - Tìm hiểu phương pháp phục chế ảnh cũ thủ công phần mềm thuật toán đơn giản - Nghiên cứu so sánh thuật toán học sâu để phục chế ảnh - Tiến hành huấn luyện mơ hình học sâu dựa vào tập liệu thu thập - Thử nghiệm đánh giá Cách giải vấn đề - Sử dụng mơ hình học sâu Generative Adversarial Networks (GAN) để mơ hình tự sinh ảnh tương tự với ảnh ban đầu có đặc điểm khác - Sử dụng mơ hình Variational Autoencoders (VAEs) thay cho Autoencoders truyền thống kết qua tốt - Thử nghiệm đánh giá kết Đánh giá mặt khoa học kết - Học viên tự sưu tầm liệu tham khảo tài liệu từ cơng trình nghiên cứu internet để tiến hành áp dụng kỹ thuật vào luận văn - Dựa kết khảo sát, nghiên cứu, học viên sử dụng ngôn ngữ Python thư viện Pytorch để xây dựng huấn luyện mơ hình học sâu - Chương trình chạy thử nghiệm thực ứng dụng Google Colab Những vấn đề tồn so với nội dung giao (nếu có) Đồng Nai, ngày NGƯỜI HƯỚNG DẪN tháng HỌC VIÊN năm 2022 MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN TÓM TẮT LUẬN VĂN MỤC LỤC DANH MỤC HÌNH MỞ ĐẦU Chương TỔNG QUAN 1.1 Tình hình nghiên cứu ngồi nước 1.1.1 Cơng trình nước ngồi có liên quan 1.1.2 Cơng trình nước có liên quan 1.2 Mục tiêu đề tài 1.3 Đối tượng nghiên cứu 1.4 Phương pháp nghiên cứu 1.5 Tổng quan ảnh cũ (đối tượng) Chương KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ PHỤC CHẾ ẢNH 2.1 Giới thiệu 2.2 Giới thiệu phục chế ảnh 2.3 Xử lý ảnh 2.3.1 Ảnh số điểm ảnh 2.3.2 Các khái niệm 2.3.3 Các định dạng phổ biến ảnh 2.3.4 Thu nhận ảnh 2.3.5 Một số loại ảnh số 2.3.6 Xử lý ảnh gì? 2.3.7 Một số phương pháp xử lý ảnh 2.3.8 Xử lý ảnh thị giác máy 12 2.4 Deep learning 13 2.4.1 Supervised Learning (Học có giám sát) 13 2.4.2 Classification (Phân loại) 13 2.4.3 Unsupervised Learning (Học không giám sát) 14 2.4.4 Semi-Supervised Learning (Học bán giám sát) 14 2.4.5 Reinforcement Learning (Học củng cố) 14 2.5 Mạng nơ ron tích chập CNN (Convolutional Neural Network) 15 2.5.1 Kiến trúc chung mạng nơ ron tích chập 15 2.5.2 Tính chất mạng nơ ron tích chập 16 2.5.3 Hàm kích hoạt (activation function) neural network 18 2.5.4 Hàm mát (lossfuntion) 19 2.5.4.1 Regression losses 20 2.5.4.2 Classification losses 21 2.6 Generative Adversarial Network (GAN) 21 2.7 Encoder 26 2.7.1 Auto Encoder 26 2.7.2 Cách thức hoạt động Autoencoder 28 2.7.3 Variational AutoEncoder 29 Chương PHƯƠNG PHÁP PHỤC CHẾ ẢNH GƯƠNG MẶT 31 3.1 Giới thiệu 31 3.2 Phương pháp phục chế ảnh học sâu 31 3.2.1 Phương pháp phục chế thuật toán HiFace-Gan 31 3.2.2 Phương pháp phục chế thuật toán GFP-Gan 37 3.3 Kết luận 44 3.4 Giải pháp đề xuất phục chế ảnh tăng cường độ phân giải ảnh 44 Chương XÂY DỰNG CHƯƠNG TRÌNH VÀ CHẠY THỬ NGHIỆM 45 4.1 Giới thiệu 45 4.2 Xây dựng hệ thống 45 4.2.1 Dataset 45 4.2.2 Cài đặt thư viện 45 4.2.3 Công cụ 46 4.2.4 Huấn luyện liệu 46 4.2.5 Thuật toán 47 4.2.6 Kết chạy thử nghiệm 47 4.2.7 Đánh giá kết 49 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 50 TÀI LIỆU THAM KHẢO 51 DANH MỤC HÌNH Hình 1.1: Sơ đồ tổng qt Hình 2.1: Ảnh trước sau phục chế Hình 2.2: Minh họa ảnh điểm ảnh xám Hình 2.3: Minh họa ảnh điểm ảnh màu Hình 2.4: Minh họa điểm ảnh độ phân giải ảnh Hình 2.5: Minh họa kích thước ảnh (độ phân giải) Hình 2.6: Minh hoạ phổ ảnh Hình 2.7: Minh hoạ phương pháp thu nhận ảnh Hình 2.8: Minh họa dạng ảnh số Hình 2.9: Minh họa ảnh đầu vào ảnh đầu Hình 2.10: Minh họa giảm nhiễu ảnh Hình 2.11: Minh họa độ tương phản ảnh 10 Hình 2.12: Minh họa tìm cạnh ảnh 10 Hình 2.13: Minh họa nén ảnh 10 Hình 2.14: Minh họa phân vùng ảnh 11 Hình 2.15: Minh họa khôi phục ảnh 11 Hình 2.16: Minh hoạ hương pháp xử lý ảnh Grayscale 11 Hình 2.17: Minh hoạ phương pháp Perspective Transformation 12 Hình 2.18: Minh họa phương phápCropping 12 Hình 2.19: Minh họa kỹ thuật cổ điển xử lý ảnh thị giác máy tính 13 Hình 2.20: Cấu trúc đại diện mạng nơ ron tích chập 15 Hình 2.21: Tính tích chập đồ kích hoạt 17 Hình 2.22: Cấu trúc khối nơ ron 3D 17 Hình 2.23: Đồ thị hàm Sigmoid 18 Hình 2.24: Đồ thị hàm ReLU 19 Hình 2.25: Hình ảnh GAN sinh liệu 22 Hình 2.26: Mơ hình Machine Learning minh hoạ 22 Hình 2.27: Minh hoạ mơ hình phân biệt mơ hình sinh 23 Hình 2.28: Hình ảnh minh hoạ Discriminator Generator 24 Hình 2.29: Sơ đồ kiến trúc Generator 25 Hình 2.30: Sơ đồ kiến trúc Discriminator (Ảnh D ảnh giả hay thật) 25 Hình 2.31: Hình ảnh minh hoạ Input Output Autoencoder 27 Hình 2.32: Kiến trúc Autoencoder bao gồm phần chính: Encoder, Bottleneck, Decoder 27 Hình 2.33: Kiến trúc Variational AutoEncoder 29 Hình 2.34: Các khn mặt sinh Variational AutoEncoder 30 Hình 2.35: Hàm loss Variational AutoEncode 30 Hình 3.1: Hình ảnh chụp từ tập liệu FFHQ 32 Hình 3.2: Hình ảnh chụp từ tập liệu CelebA 32 Hình 3Hình 3.3: Kiến trúc mơ hình HiFace-Gan 32 Hình 3.4: Sơ đồ khối quy trình đào tạo 33 Hình 3.5: Ảnh xử lý (ở trên), ảnh ảnh gốc(ở dưới) 35 Hình 3.6: Gen Loss hiển thị giảm dần theo thời gian 36 Hình 3.7: Dis Loss hiển thị giảm dần theo thời gian 36 Hình 3.8: Kết hình ảnh chạy thuật tốn HiFace-Gan 37 Hình 3.9: Tổng quan GFP-GAN 38 Hình 3.10: Pre trained face GAN(StyleGAN) 38 Hình 3.11: Sơ đồ khối tóm tắt 41 Hình 3.12: Ảnh xử lý (x), ảnh ảnh gốc(y) 42 Hình 3.13: Gen Loss hiển thị giảm dần theo thời gian 43 Hình 3.14: D Loss hiển thị giảm dần theo thời gian 43 Hình 4.1: Hình ảnh chứa hai thư mục 45 Hình 4.2: Sơ đồ khối tóm tắt 46 Hình 4.3: Minh họa sơ đồ thuật tốn chương trình 47 Hình 4.4: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 47 Hình 4.5: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 48 Hình 4.6: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 48 Hình 4.7: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 48 Hình 4.8: Kết khác HiFace-Gan GFP-Gan 49 38 Phương pháp phục chế ảnh cũ bị nhoè, rách, oxi hoá, thường dựa vào lớp lót khn mặt, chẳng hạn hình dạng khn mặt trước tham chiếu trước để khơi phục chi tiết chân thực trung thực Tuy nhiên, chất lượng thấp đầu vào cung cấp hình học xác trước tham chiếu chất lượng cao truy cập được, hạn chế khả áp dụng tình giới thực Vậy GFP-GAN tận dụng phong phú đa dạng gói gọn GAN khn mặt qua xử lý trước để phục hồi ảnh có khn mặt bị hư hỏng [15] b) Kiến trúc GFP-Net Kiến trúc GFP-GAN bao gồm phần: Degradation Removal, Pre-trained GAN Channel-Split SFT (Spatial Feature Transform) Hình 3.9: Tổng quan GFP-GAN Degradation Removal Module sử dụng kiến trúc U-net có chức loại bỏ nhiễu, vết mờ, tác nhân khác Output mô tả sau: Fₗₐₗₑₗₗ, Fₗₗₐₗᵢₐₗ = U-Net(x) Trong đó: - Fₗₐₗₑₗₗ features maps nén lại thành vector chiều - Fₗₗₐₗᵢₐₗ output convolution layer bên phải mạng Pre-trained GAN Hình 3.10: Pre trained face GAN(StyleGAN) 39 Phần sử dụng mơ hình đào tạo sẵn StyleGAN - Fₗₐₗₑₗₗ từ Degradation chuyển qua loạt lớp tuyến tính gọi Nhận thức nhiều lớp để bảo tồn thuộc tính ngữ nghĩa kết gọi mã tiềm ẩn trung gian W:  Hàm mát o Reconstruction Loss Lrec = ⋋l1||γ-y||1+⋋per||ϕ(y)-φ(y)||1 Trong đó: Lrec : Reconstruction Loss ⋋l1:⁡Loss weight ⋋per: Perceptual loss weight Φ: Pretrained VGG-19 network o Adversarial Loss Ladv = −⋋adv𝔼𝑦⁡𝑠𝑜𝑓𝑡𝑝𝑙𝑢𝑠(𝐷(𝑦)) Trong đó: ⋋adv: Adversarial loss weight D: Discriminator o Facial Component Loss Lcomp = ⁡ ∑ ⋋local 𝔼yroi⁡[log(1 − 𝐷𝑟𝑜𝑖 (𝑦𝑟𝑜𝑖)))] 𝑅𝑂𝐼 + ⋋fs||Gram(φ(yroi))-Gram( φ(yroi))||1 Trong đó: Lcomp: Facial Component Loss ROI: region of interest {left eye, right eye, mouth} 𝐷𝑟𝑜𝑖 : Local discriminator for each ROI 40 ⋋local : local discriminative loss weight local discriminative loss weight Φ: The multi-resolution features from the learned discriminators ⋋fs: Feature style loss weight o Identity Preserving Loss Lcomp = ⁡⋋id||𝓃 (𝑦) − 𝓃(𝑦)||1 Trong đó: 𝓃: Face feature extractor ⋋id: Identity preserving loss weight Total Loss Ltotal = ⁡Lrec + ⁡Ladv + ⁡Lcomp + ⁡Lid Trong đó: Lid: Identity Preserving Loss  Hàm tối ưu Thuật toán sử dụng hàm tối ưu Adam Cơng thức: Learning Rate: 2e-3 c) Mơ hình đào tạo  Sơ đồ khối tóm tắt 41 Hình 3.11: Sơ đồ khối tóm tắt  Dữ liệu đầu vào Trong trình thực nghiệm, Luận văn sử dụng: - 20.000 ảnh từ tập liệu FFHQ dùng để huấn luyện (Train Dataset) - 5.000 ảnh từ tập liệu CelebA dùng để kiểm tra (Test Dataset) Dữ liệu đồng với liệu sử dụng thuật toán HiFace-Gan nhằm đồng liệu đầu vào chạy so sánh hai phương pháp với Sử dụng cấu hình máy tính để chạy thử nghiệm hai thuật toán  Tiền xử lý gán nhãn liệu o Hàm giảm độ phân giải Def get_down(): return ia.Sequential([ ia.Resize((0.125,0.25)), ia.Resize ({“height”:512,”width”:512}), ]) o Hàm thêm nhiễu Def get_noise(): 42 Return ia.OneOf([ Ia.AdditiveGaussianNoise(scale=(20,40), per_channel]=True), Ia.AdditiveLaplaceNoise per_channel=True), (scale=(20,40), Ia.AdditivePoissonNoise(lam=(15,30), per_channel=True), o Hàm làm mờ Def get_blur(): Return ia.OneOf([ Ia.MotionBlur(k=(10,20)), Ia.GausianBlur((3.0,8.0)), o Hàm nén JPEG Def get_jpeg(): Return ia.JpegCompression(compression=(50,85))  Gán nhãn hình ảnh Sau sử dụng hàm, ảnh sau gán nhãn tương ứng sau: Ả𝑛ℎ⁡đượ𝑐⁡𝑥ử⁡𝑙ý(𝑥) Ả𝑛ℎ⁡𝑑ướ𝑖⁡𝑙à⁡ả𝑛ℎ⁡𝑔ố𝑐(𝑦) Hình 3.12: Ảnh xử lý (x), ảnh ảnh gốc(y) 43  Tiến hành đào tạo Mơ hình đào tạo 180 epochs, ảnh chụp nhanh chụp mơ hình sau hoàn epochs Mỗi ảnh chụp nhanh bổ sung thực sai số thấp độ xác cao epochs trước Sơ đồ hiển thị đường cong đào tạo Hình 3.13: Gen Loss hiển thị giảm dần theo thời gian Hình 3.14: D Loss hiển thị giảm dần theo thời gian d) Đánh giá kết Phiên tốt mơ hình đạt cụ thể giá trị sau: Metric Value Gen Loss 0.014 D Loss 0.15 Bảng 3.2: Kết trình đào tạo mơ hình đào tạo HiFace-Gan - Gen Loss (Generator Loss ) đánh giá sai số - D Loss (Discriminator Loss) đánh giá sai số discriminator e) Kết luận  Ưu điểm: - Nhận diện rõ chi tiết khuôn mặt, làm nét chi tiết 44 vùng miệng, vùng mắt, - Hình ảnh sắc nét, màu sắc chân thực - Đặc biệt hình ảnh trắng đen khơi phục  Nhược điểm - Phương pháp khó phục hồi ảnh rách to, nhiều vết xước 3.3 Kết luận So sánh thuật toán: Thuật toán HiFace-Gan GFP-Gan: Dựa vào Ưu điểm, khuyết điểm, dựa vào bảng kết giới hạn Luận văn cho thấy GFP-Gan phù hợp với yêu cầu Luận văn 3.4 Giải pháp đề xuất phục chế ảnh tăng cường độ phân giải ảnh Từ nội dung chương trình bày số giải pháp nhận phục hồi ảnh tăng cường độ phân giải ảnh phương pháp xử lý ảnh, phương pháp deep learning liệu train mơ hình đào tạo từ đưa đánh giá ưu điểm, khuyết điểm hai phương pháp  Luận văn chọn phương pháp deep learning để nhận phục chế ảnh tăng cường độ phân giải ảnh 45 Chương XÂY DỰNG CHƯƠNG TRÌNH VÀ CHẠY THỬ NGHIỆM 4.1 Giới thiệu Trong chương Luận văn trình bày trình xây dựng thực chương trình bao gồm bước: thu thập liệu huấn luyện, thu thập liệu kiểm thử, cài đặt thư viện cần thiết, lựa chọn mơ hình đào tạo, chạy thử nghiệm, ghi nhận kết đạt được, phân tích, nhận xét, chỉnh sửa kết cuối để đạt hiệu tốt thuật toán GFP-Gan [14] Luận văn chọn sử dụng liệu FFHQ CelebA kết hợp mơ hình đào tạo GFP-GAN để tiến hành huấn luyện phương pháp phục chế ảnh tăng cường độ phân giải cho ảnh.[16][17] 4.2 Xây dựng hệ thống 4.2.1 Dataset Trong phần này, luận văn sử dụng thư viện Dataset chạy thuật toán HiFace-Gan để chạy với thuật toán GFP-Gan để đồng đầu vào Cùng sử dụng cấu hình máy tính để chạy chương trình Hai thư mục train test đó: - Train: gồm 20,000 hình trích từ tập liệu FFHQ - Test: gồm 5,000 hình trích từ tập liệu CelebA Hình 4.1: Hình ảnh chứa hai thư mục 4.2.2 Cài đặt thư viện Các thư viện cần cài để cài đặt chương trình - Numpy - Pytorch - Matplotlib - Tensorflow - Opencv - Cuda Toolkit 46 - GPU resources - CuDNN - Dlib 4.2.3 Công cụ Phương pháp tiến hành huấn luyện Google Colab sử dụng GPU 4.2.4 Huấn luyện liệu Huấn luyện mơ hình GFP-GAN với liệu Hình 4.2: Sơ đồ khối tóm tắt 47 4.2.5 Thuật toán Dưới sơ đồ thuật tốn chương trình Hình 4.3: Minh họa sơ đồ thuật tốn chương trình 4.2.6 Kết chạy thử nghiệm Kết chương trình sau chạy phục hồi ảnh cũ tăng cường độ phân giải ảnh Hình ảnh phục hồi từ ảnh cũ cho ta thấy da làm nét, phục hồi chi tiết nhỏ khn mặt tóc, lơng mày, lơng mi, Các chi tiết tái tạo không gây cảm giác mờ nhoè, chân thật Dưới hình ảnh trước sau phục hồi Hình 4.4: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 48 Hình 4.5: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) Hình 4.6: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) Hình 4.7: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 49 4.2.7 Đánh giá kết Hình 4.8: Kết khác HiFace-Gan GFP-Gan Như vậy, sau chạy thử chương trình phục hồi ảnh cũ phương pháp GFP-GAN, cho ta kết hình ảnh phục hồi, tăng cường độ phân giải ảnh, làm chi tiết khuôn mặt vốn bị mờ, nhoè, khơng nhìn rõ rõ nét hơn, chi tiết không gây cảm giác thiếu chân thực So sánh HiFace-Gan GFP-Gan ta có bảng so sánh sau Hình 4.9: So sánh sai số HiFace-GAN GFP-GAN So sánh mắt thường ta thấy hình ảnh có cải thiện 50 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Trên sở tìm hiểu nghiên cứu phương pháp phục chế ảnh cũ tăng cường độ phân giải ảnh, luận văn đạt kết sau - Giới thiệu lý thuyết xử lý ảnh, deep learning thuật toán - Giới thiệu liệu - Giới thiệu phương pháp xử lý, phục hồi ảnh - Giới thiệu GFP-GAN - Giới thiệu phương pháp nhận phục hồi ảnh, tăng cường chất lượng ảnh từ đưa so sánh nhận xét để tìm phương án triển khai thích hợp - Tiến hành xây dựng chương trình thử nghiệm để phục hồi ảnh cũ, tăng độ phân giải - Kết nhận tương đối nét, phục hồi chi tiết khuôn mặt Bên cạnh kết đạt cịn hạn chế, là: - Chương trình chạy thử nghiệm dừng lại giai đoạn chạy thử nghiệm hình ảnh thu thập máy tính - Chương trình phát triển thành ứng dụng hỗ trợ người có nhu cầu sử dụng ứng dụng để phục hồi ảnh cũ, tăng cường chất lượng ảnh 51 TÀI LIỆU THAM KHẢO [1] Generative Adversarial Network Fitting for High Fidelity 3D Face Reconstruction (2019) Bài báo trình bày việc tái tạo ảnh 3D có độ trung thực cao [2] Analyzing and Improving the Image Quality of StyleGAN (2019), https://arxiv.org/abs/1912.04958 [3] Towards Real-World Blind Face Restoration with Generative Facial Prior (2021) https://arxiv.org/abs/2101.04061 [4] Face Renovation via Collaborative Suppression and Replenishment (2020), https://arxiv.org/abs/2005.05005 [5] Towards Real-World Blind Face Restoration with Generative Facial Prior2021, https://arxiv.org/abs/2101.04061 [6] Khôi phục ảnh tối ưu độ tương tự cục (2015), https://www.elib.vn/tailieu/khoi-phuc-anh-bang-toi-uu-do-tuong-tu-cuc-bo-20904.html [7] Nghiên cứu số kỹ thuật phục hồi ảnh ứng dụng (2013), https://luanvan123.info/threads/nghien-cuu-mot-so-ky-thuat-phuc-hoi-anh-va-ungdung.77728/ [8] Giới thiệu xử lý ảnh, https://viblo.asia/p/tuan-1-gioi-thieu-xu-ly-anhyMnKMdEQ57P [9]Convolutional Neural Network, https://phamdinhkhanh.github.io/2019/08/22/convolutional-neuralnetwork.html [10]Các hàm kích hoạt (activation function) neural network, https://aicurious.io/posts/2019-09-23-cac-ham-kich-hoat-activation-functiontrong-neural-networks/ [11]Hàm mát machine learning, https://aischool.vn/2019/11/04/hammat-mat-trong-machine-learning/ [12] Giới thiệu GAN, https://nttuan8.com/bai-1-gioi-thieu-ve gan/#:~:text=GAN%20thu%E1%BB%99c% 20nh%C3%B3m%20generative%20model,sinh%20ra%20d%E1%BB%AF%20li %E1%BB%87u%20m%E1%BB%9Bi [13] Kiến thức Encoder, Bottleneck, Decoder https://bizflycloud.vn/tin-tuc/autoencoder-la-gi-20220526165157229.htm 52 [14] Định nghĩa Variational Auo Encoder, https://en.wikipedia.org/wiki/Variational_autoencoder [15]GFP-GAN https://www.analyticsvidhya.com/blog/2022/05/an-introduction-torealistic-face-restoration-with-gfp-gan-and-dfdnet/ [16] FFHQ https://github.com/NVlabs/ffhq-dataset [17] Thuật tốn, https://paperswithcode.com/paper/towards-real-world-blind-facerestorationXintao [18] Phân nhóm thuật toán Machine Learning, https://machinelearningcoban.com/2016/12/27/categories/ ...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG *** PHỤC CHẾ VÀ TĂNG CƯỜNG ĐỘ PHÂN GIẢI CHO ẢNH CŨ BẰNG CÁCH KẾT HỢP MƠ HÌNH HỌC SÂU Chuyên ngành: Công nghệ thông tin Mã số: 60480201 Đồng... Được đồng ý Khoa Sau Đại học, Trường Đại học Lạc Hồng giảng viên hướng dẫn TS cho phép em thực đề tài ? ?Phục chế tăng cường độ phân giải cho ảnh cũ cách kết hợp mô hình học sâu? ?? Lời đầu tiên, em... 47 Hình 4.4: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 47 Hình 4.5: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh phục hồi) 48 Hình 4.6: Ảnh trái (ảnh cần phục hồi), ảnh phải (ảnh