Hệ thống Thị giác Máy tính Học sâu (Computer Vision Deep Learning) đa giai đoạn chuẩn công nghiệp, được thiết kế để tự động phục chế, làm sạch và nâng cấp các bức ảnh tư liệu lịch sử bị hư hỏng nặng. Hệ thống phối hợp các kiến trúc mạng nơ-ron tiên tiến nhất thành một pipeline suy luận mô-đun hóa, có khả năng phân đoạn mặt nạ khuyết tật độ phân giải cao, loại bỏ vết nứt trầy xước và tái tạo chi tiết khuôn mặt chân thực.

Thành phần Kiến trúc Cốt lõi

Mô-đunKiến trúc Nơ-ronTrách nhiệm Kỹ thuật
Phân đoạn Khuyết tật & Tạo Mặt nạBộ phân đoạn Ngưỡng thích ứng Tự độngPhát hiện các tổn hại vật lý, vết nứt, vết xước và ố màu hóa học dưới nhiều điều kiện ánh sáng khác nhau
Phục hồi Vùng khuyết LớnLaMa (Resolution-Robust Large Mask Inpainting)Tái tạo kết cấu nền và cấu trúc không gian bị mất trên diện rộng bằng tích chập Fourier nhanh (FFC)
Phục hồi Chi tiết Khuôn mặtCodeFormer (Transformer Face Restoration)Tổng hợp các đặc trưng khuôn mặt độ sắc nét cao, phục chế mắt, kết cấu da và đường nét khuôn mặt
Siêu phân giải & Tăng cườngBộ phóng đại Đa BackendNâng tỷ lệ hình ảnh lên độ phân giải cao, bảo toàn độ sắc nét của cạnh viền và độ trung thực của màu sắc

Quy trình Phục hồi Nơ-ron Đa Giai đoạn

flowchart TB START(["🎬 BẮT ĐẦU: Ảnh Lịch sử Hư hỏng"]) subgraph S1 ["🔍 GIAI ĐOẠN 1: Phát hiện Tổn hại & Sinh Mặt nạ"] direction TB A1["📥 Nạp Ảnh Độ phân giải Cao"] A2["🎛️ Nhị phân hóa & Phân đoạn Ngưỡng Thích ứng"] A3["✂️ Tinh chỉnh Hình thái học & Giãn nở Mặt nạ"] A1 ==> A2 ==> A3 end subgraph S2 ["🖌️ GIAI ĐOẠN 2: Xóa Vết nứt & Phục chế Cấu trúc Nền"] direction TB B1["🧠 Nạp Trọng số LaMa (`BigLama`)"] B2["⚡ Vùng thụ cảm Phổ tần số với Fast Fourier Convolution (FFC)"] B3["🧩 Tái tạo Liền mạch Nền & Kết cấu Bề mặt"] B1 ==> B2 ==> B3 end subgraph S3 ["👤 GIAI ĐOẠN 3: Tái tạo Khuôn mặt bằng Transformer"] direction TB C1["🎯 Nhận diện Điểm mốc & Căn chỉnh Khuôn mặt"] C2["🧬 Tra cứu Từ điển Rời rạc CodeFormer & Tổng hợp Đặc trưng"] C3["✨ Hòa trộn Chi tiết Khuôn mặt Siêu thực"] C1 ==> C2 ==> C3 end subgraph S4 ["⚙️ GIAI ĐOẠN 4: Hậu xử lý & Xuất bản Đa Backend"] direction TB D1["🎨 Chuẩn hóa Không gian Màu & Cân bằng Tông"] D2["📐 Siêu phân giải Phóng đại Đa Backend"] D3["💾 Xuất Ảnh Hoàn thiện Chuẩn Sản xuất"] D1 ==> D2 ==> D3 end FINISH(["✨ HOÀN TẤT: Tác phẩm Đã Phục chế Toàn diện"]) START ==> S1 S1 ==>|"Mặt nạ Tổn hại + Ảnh Thô"| S2 S2 ==>|"Ảnh Sau Inpainting"| S3 S3 ==>|"Khuôn mặt Đã Phục chế"| S4 S4 ==> FINISH

Điểm nhấn Kỹ thuật & Thiết kế Kiến trúc

1. Vùng thụ cảm Fast Fourier Convolution (FFC)

Các mạng tích chập truyền thống bị giới hạn vùng thụ cảm khi xử lý các vùng khuyết tật lớn hoặc vết xước kéo dài. Bằng cách ứng dụng Fast Fourier Convolutions (FFC) của LaMa, hệ thống xử lý các đặc trưng hình ảnh đồng thời trên toàn bộ phổ tần số, duy trì tính nhất quán ngữ nghĩa toàn cục trên các vùng hư hại rộng mà không bị mờ hay lặp lại hoa văn nhân tạo.

2. Tổng hợp Khuôn mặt Dựa trên Codebook (CodeFormer)

Để khắc phục tình trạng mất hoàn toàn thông tin điểm ảnh gốc trên khuôn mặt, pipeline tích hợp CodeFormer. Mô hình sử dụng từ điển rời rạc (codebook) đã học về các tiên nghiệm khuôn mặt kết hợp kiến trúc Transformer, dự đoán các token đặc trưng chất lượng cao thay vì hồi quy điểm ảnh trực tiếp, tạo ra kết cấu khuôn mặt chân thực và giữ đúng tỷ lệ nhân dạng lịch sử.

3. Quản trị Checkpoint & Môi trường Mô-đun hóa

Hệ thống được tổ chức mạch lạc với quản lý môi trường độc lập (lama_gpu, codeformer) và tệp cấu hình tập trung (config.py). Toàn bộ trọng số mô hình được xác thực tính toàn vẹn tự động bằng mã băm SHA-256 và hỗ trợ cơ chế dự phòng mượt mà giữa GPU và CPU.

flowchart LR CFG["📄 Cấu hình YAML / Python
(`config.py`)"] ==> CHK["🔐 Kiểm định SHA-256 Checkpoint"] CHK ==> GPU{"⚙️ Lựa chọn Backend Thực thi"} GPU ==>|"Có CUDA"| LAMA_GPU["⚡ Pipeline GPU Hiệu năng cao (`lama_gpu`)"] GPU ==>|"Chế độ Dự phòng"| CPU["🖥️ Pipeline CPU Đa luồng"]