Khi AI làm nét một tấm ảnh mờ hay phục hồi ảnh cũ, nó không tìm lại được chi tiết đã mất mà vẽ thêm những chi tiết "có khả năng" đúng, dựa trên hàng triệu ảnh nét nó đã thấy khi huấn luyện. Kết quả thường đẹp và thuyết phục, nhưng sợi tóc, nếp nhăn, màu áo trong bản phục hồi là sản phẩm của phỏng đoán, không phải thông tin có sẵn trong ảnh gốc.
Hiểu điều này giúp bạn dùng những công cụ làm nét, phục hồi, tô màu một cách thoải mái cho ảnh gia đình, đồng thời không nhầm bản phục hồi với bằng chứng. Bài này giải thích máy học đoán chi tiết thế nào, vì sao gương mặt sau phục hồi đôi khi trông như người khác, và vì sao cảnh "phóng to ảnh camera thấy rõ biển số" trong phim không phải là điều AI làm được một cách đáng tin.
Phóng to kiểu cũ và phóng to kiểu AI khác nhau thế nào
Một tấm ảnh là lưới ô vuông nhỏ, mỗi ô một màu. Khi bạn phóng to bằng phần mềm thông thường, máy phải tạo thêm ô mới nằm giữa các ô cũ. Cách truyền thống là lấy trung bình màu của những ô xung quanh. Nhờ vậy ảnh to ra mà không vỡ thành ô vuông, nhưng nó cũng nhoè đi: một đường viền sắc trở thành dải chuyển màu mềm. Không có thông tin mới nào được thêm vào, chỉ có thông tin cũ bị trải ra.
Phóng to kiểu AI, giới nghiên cứu gọi là siêu phân giải, làm khác. Thay vì lấy trung bình, mô hình nhìn vùng ảnh mờ và tự hỏi: trong những ảnh nét đã học, vùng mờ trông thế này thường là gì? Một mảng màu nâu có sọc mờ có thể là gỗ, nên nó vẽ vân gỗ. Một đốm đen trên gương mặt có thể là con ngươi, nên nó vẽ con ngươi có ánh phản chiếu. Kết quả nét hơn hẳn, vì có thêm chi tiết.
Câu hỏi then chốt là chi tiết thêm vào đó đến từ đâu. Nó không đến từ tấm ảnh của bạn, vì ảnh mờ không chứa nó. Nó đến từ "trí nhớ thống kê" của mô hình về những ảnh tương tự. Nói cách khác, AI làm nét là một dạng tạo ảnh có điều kiện: tấm ảnh mờ đóng vai câu mô tả, quy định bố cục và màu chung, còn chi tiết là phần mô hình tự sáng tác cho khớp.
Máy học cách đoán chi tiết như thế nào
Cách huấn luyện khá giản dị và giống ý tưởng của mô hình khuếch tán. Người ta lấy thật nhiều ảnh nét, cố ý làm hỏng chúng theo đủ kiểu: thu nhỏ rồi phóng lại cho mờ, thêm nhiễu hạt, nén thật mạnh cho vỡ khối, làm nhoè như rung tay. Mỗi cặp gồm ảnh hỏng và ảnh gốc. Mô hình được luyện để từ ảnh hỏng đoán ra ảnh gốc, sai đâu sửa đó, qua hàng triệu cặp.
Sau huấn luyện, mô hình rất giỏi với những kiểu hỏng giống thứ nó đã thấy và những loại cảnh có nhiều trong dữ liệu. Gương mặt người, cây cối, nhà cửa thường cho kết quả tốt. Với ảnh hỏng theo kiểu lạ, như ảnh in trên giấy cũ bị mốc, ảnh chụp lại qua màn hình có vân sọc, hay vật thể hiếm gặp như hoa văn trên đồ gốm cổ, mô hình dễ đoán lệch hoặc biến chúng thành thứ quen thuộc hơn.
Có một giới hạn nền tảng mà không mô hình nào vượt qua được: nhiều ảnh nét khác nhau, sau khi làm mờ, cho ra cùng một ảnh mờ. Một khuôn mặt có nốt ruồi nhỏ và một khuôn mặt không có nốt ruồi, khi chỉ còn mươi điểm ảnh, có thể trông y hệt nhau. Từ ảnh mờ đó, mô hình buộc phải chọn một trong vô số khả năng, và nó chọn khả năng phổ biến nhất trong dữ liệu chứ không phải khả năng đúng với người trong ảnh của bạn. Đây không phải lỗi của một công cụ cụ thể mà là bản chất của bài toán: thông tin đã mất thì không lấy lại được, chỉ có thể đoán.
Nhiều công cụ phục hồi ảnh có thêm một mô hình chuyên cho gương mặt, vì người dùng quan tâm nhất tới mặt người thân. Mô hình này học riêng từ kho ảnh gương mặt nên làm mặt rất nét, đôi khi nét hơn hẳn phần còn lại của ảnh. Đó là lý do bạn hay thấy ảnh phục hồi có gương mặt sắc như ảnh studio trong khi quần áo, nền vẫn mờ, tạo cảm giác hơi "lạc" giữa các phần.
Phục hồi ảnh cũ gồm những việc gì và việc nào máy đoán nhiều nhất
Xoá vết xước, vết gấp, đốm mốc. Máy nhận ra vùng hỏng và tô lại bằng nội dung khớp với xung quanh. Với vết nhỏ trên nền trời hay tường, phần đoán gần như vô hại. Với vết cắt ngang mắt hay miệng, phần tô lại là phỏng đoán về đúng chỗ quan trọng nhất.
Làm nét và phóng to. Như đã giải thích, chi tiết mới là chi tiết hợp lý chứ không phải chi tiết thật. Ảnh gốc càng nhỏ, càng mờ thì tỉ lệ phần "sáng tác" càng lớn.
Tô màu ảnh đen trắng. Đây là phần đoán nhiều nhất. Ảnh đen trắng chỉ ghi độ sáng, không ghi màu. Chiếc áo dài xám trong ảnh có thể là xanh, đỏ, tím; mô hình chọn màu phổ biến nhất trong dữ liệu cho vật trông như vậy. Màu da, màu mắt, màu sơn nhà cũng thế. Người trong gia đình còn nhớ màu thật thì nên tin trí nhớ đó hơn máy.
Khôi phục gương mặt. Mô hình gương mặt thay những nét mờ bằng mắt, mũi, môi "chuẩn" mà nó đã học. Gương mặt sau phục hồi có thể đẹp hơn, trẻ hơn, nhưng cũng có thể giống người thân ít đi.
Làm chuyển động ảnh tĩnh. Một số dịch vụ cho người trong ảnh cũ chớp mắt, mỉm cười. Toàn bộ chuyển động là do máy tạo ra, người trong ảnh chưa từng làm động tác đó trước ống kính.
Khi phần đoán đi sai: gương mặt thành của người khác
Vì mô hình lấp chi tiết bằng thứ phổ biến trong dữ liệu, gương mặt sau phục hồi có xu hướng bị kéo về phía "gương mặt trung bình" của dữ liệu huấn luyện. Nếu dữ liệu nghiêng về một nhóm người, những đặc điểm riêng của nhóm khác dễ bị làm mờ đi. Năm 2020, một công cụ nghiên cứu biến ảnh mặt rất mờ thành ảnh nét đã gây tranh luận lớn khi ảnh mờ của một người da màu nổi tiếng được "phục hồi" thành gương mặt một người da trắng. Sự việc trở thành ví dụ quen thuộc khi bàn về thiên lệch dữ liệu.
Với ảnh gia đình Việt Nam, sai lệch thường nhẹ hơn nhưng vẫn gặp: mắt một mí thành hai mí, nốt ruồi biến mất, nếp nhăn đặc trưng của ông bà được làm phẳng, kiểu tóc xưa bị biến thành kiểu tóc ngày nay. Người ngoài nhìn thấy ảnh đẹp, nhưng con cháu nhìn sẽ thấy "không giống bà". Cảm giác này không phải do tưởng tượng; đó đúng là chỗ mô hình đã thay chi tiết thật bằng chi tiết điển hình.
Một sai lệch khác ít ai để ý là bối cảnh. Biển hiệu, quân phục, đồ vật trong ảnh lịch sử có thể bị máy vẽ thành thứ khác thời, vì mô hình quen với đồ vật hiện đại hơn. Với người làm lưu trữ, bảo tàng hay nghiên cứu lịch sử, đây là lý do bản phục hồi bằng AI cần được ghi chú rõ và luôn đi kèm bản gốc.
Dùng ảnh phục hồi vào việc gì thì ổn, việc gì thì không
Không có câu trả lời chung "ảnh AI phục hồi là tốt hay xấu". Mức chấp nhận được tuỳ vào việc bạn định dùng tấm ảnh đó để làm gì. Bảng dưới gợi ý cách nghĩ theo mục đích.
| Mục đích | Mức phù hợp | Lý do |
|---|---|---|
| Treo ảnh kỷ niệm, làm quà, đăng mạng xã hội | Phù hợp | Mục đích là cảm xúc; chỉ cần người trong nhà thấy giống và nên giữ bản gốc |
| Làm ảnh thờ, ảnh chân dung người đã mất | Cần thận trọng | Nhờ người thân xem kỹ nét mặt; nhiều gia đình chọn bản phục hồi nhẹ tay để giữ nét thật |
| Lưu trữ, nghiên cứu lịch sử, làm sách | Chỉ khi ghi chú rõ | Phải nói rõ phần nào đã qua AI, luôn công bố kèm ảnh gốc |
| Nhận dạng người lạ, biển số xe từ ảnh camera mờ | Không đáng tin | Chi tiết vừa được máy đoán ra có thể khớp với người hay số hoàn toàn khác |
| Làm bằng chứng trong tranh chấp, khiếu nại | Không nên | Bản làm nét chứa thông tin không có trong bản gốc; nộp bản gốc và để cơ quan chuyên môn xử lý |
Phim hình sự hay có cảnh "phóng to, làm nét" ảnh camera rồi đọc rõ biển số. Với AI hiện nay, làm vậy cho ra một biển số trông rất rõ, nhưng con số đó có thể là con số mô hình thấy hợp lý chứ không phải con số thật. Ảnh càng mờ, khả năng này càng lớn.
Thói quen nên giữ khi phục hồi ảnh gia đình bằng AI
Những thói quen dưới đây không phụ thuộc công cụ nào, và xuất phát trực tiếp từ việc hiểu rằng phần chi tiết mới là do máy đoán.
- Giữ bản quét gốc ở độ phân giải cao nhất có thể. Quét kỹ ảnh giấy trước khi đưa vào AI; bản quét tốt giảm phần máy phải đoán.
- Đặt tên tệp phân biệt bản gốc và bản phục hồi. Vài năm sau, con cháu cần biết tấm nào là ảnh thật của ông bà.
- Chọn mức phục hồi nhẹ trước. Nhiều công cụ có thanh điều chỉnh độ mạnh; mức nhẹ giữ được nét riêng hơn.
- Đưa người còn nhớ người trong ảnh xem lại. Họ là "bộ kiểm" duy nhất cho câu hỏi giống hay không giống.
- Cẩn trọng với dịch vụ trực tuyến. Ảnh gia đình là dữ liệu cá nhân; đọc điều khoản xem ảnh có được lưu, dùng để huấn luyện không, và xoá ảnh sau khi xong nếu dịch vụ cho phép.
- Ghi chú khi chia sẻ. Một dòng "ảnh đã được phục hồi, tô màu bằng AI" giúp người xem không nhầm màu áo, nét mặt là chi tiết lịch sử.
Phần hướng dẫn thao tác trên từng công cụ ảnh thuộc về trang AI Hình Ảnh; ở đây điều cần nhớ chỉ là một ý: ảnh phục hồi là một bản diễn giải đẹp của ảnh gốc, không phải bản sao chính xác hơn của quá khứ.
Câu hỏi thường gặp
Ảnh quá mờ có làm nét được không?
Công cụ vẫn cho ra một ảnh nét, nhưng ảnh càng mờ thì phần chi tiết do máy tự vẽ càng nhiều, và bản kết quả có thể khác xa người hay vật thật. Với ảnh chỉ vài chục điểm ảnh cho một gương mặt, kết quả nên coi như một bức chân dung phác theo gợi ý, không phải ảnh khôi phục.
Tô màu ảnh đen trắng bằng AI có đúng màu thật không?
Không có cách nào biết chắc. Ảnh đen trắng chỉ lưu độ sáng, nên nhiều màu khác nhau cho ra cùng một sắc xám. Máy chọn màu thường gặp nhất trong dữ liệu cho loại vật đó. Màu trời, màu lá thường hợp lý; màu áo, màu xe, màu sơn nhà là phỏng đoán, nên tin trí nhớ của người trong cuộc hơn.
Vì sao ảnh sau phục hồi trông trẻ hơn và đẹp hơn người thật?
Mô hình gương mặt học từ kho ảnh mà phần lớn là ảnh chụp đẹp, rõ, nhiều người trẻ. Khi lấp những nét mờ, nó có xu hướng chọn da mịn, mắt sáng, nếp nhăn ít. Chọn mức phục hồi nhẹ và so với ảnh gốc giúp giữ lại nhiều nét riêng hơn.
Làm nét ảnh bằng AI có làm mất ảnh gốc không?
Công cụ thường tạo một tệp mới và không động vào tệp gốc trên máy bạn. Nhưng nếu bạn lưu đè hoặc chỉ giữ bản phục hồi để in, sau này không còn cách lấy lại ảnh thật. Thói quen an toàn là cất bản quét gốc riêng một chỗ và đặt tên phân biệt rõ ràng.
Camera an ninh có dùng AI làm nét để đọc biển số được không?
Một số hệ thống nhận dạng biển số dùng AI trên ảnh đủ rõ ngay từ đầu, khác với việc làm nét ảnh mờ. Còn làm nét một ảnh quá mờ rồi đọc số thì kết quả không đáng tin, vì con số có thể do mô hình đoán ra. Việc trích xuất và giám định hình ảnh làm bằng chứng nên để cơ quan có chuyên môn thực hiện.
Phục hồi ảnh có phải cùng công nghệ với AI tạo ảnh không?
Có quan hệ gần. Nhiều công cụ phục hồi dùng mô hình khuếch tán hoặc mạng đối nghịch, giống mô hình tạo ảnh, chỉ khác là bị ràng buộc chặt bởi ảnh gốc thay vì câu mô tả. Vì vậy chúng mang cả điểm mạnh lẫn điểm yếu của AI tạo ảnh, kể cả xu hướng vẽ thứ phổ biến thay cho thứ đặc biệt.