AI làm nét ảnh hoạt động thế nào? Từ bộ lọc cũ đến mô hình tạo ảnh
AI làm nét ảnh bằng cách đoán chi tiết từ những gì nó đã học. Bài đi qua ba thế hệ làm nét, nơi mô hình chạy và vì sao mỗi web cho kết quả khác.
Mục lục bài viết
AI làm nét ảnh bằng cách đoán chi tiết từ những gì nó đã học. Mô hình học từ hàng triệu ảnh mẫu rồi thêm chi tiết hợp lý vào ảnh mờ của bạn; chi tiết đó là dự đoán nên có thể khác cảnh thật.
Phần dưới giải thích AI làm nét ảnh hoạt động thế nào qua ba thế hệ làm nét: bộ lọc tăng tương phản ở mép, mô hình siêu phân giải cùng mô hình riêng cho khuôn mặt, rồi mô hình tạo ảnh như ChatGPT và Gemini vẽ lại cả bức. Tiếp theo là chuyện mô hình chạy ở đâu, trên máy bằng WebGPU, trên máy chủ hay trên đám mây, và vì sao cùng một ảnh mà mỗi web cho kết quả khác.
Ba thế hệ làm nét ảnh: bộ lọc, mô hình siêu phân giải, mô hình tạo ảnh
Làm nét ảnh đã qua ba thế hệ: bộ lọc tăng tương phản ở mép, mô hình siêu phân giải học từ ảnh mẫu, và mô hình tạo ảnh vẽ lại cả bức. Mỗi thế hệ làm một việc khác và sai theo một kiểu riêng.
Hình dung một bức vẽ bị nhòe. Bộ lọc giống cây bút đậm đồ lại những nét đã có: nét có sẵn thì rõ hơn, nét chưa ai vẽ thì vẫn không có. Mô hình siêu phân giải giống người thợ sửa tranh đã xem hàng triệu bức: thấy vệt mờ hình chiếc lá, người ấy vẽ thêm gân lá theo kiểu lá thường có. Mô hình tạo ảnh giống họa sĩ nhìn tranh của bạn rồi vẽ lại cả bức theo điều bạn dặn. “Mô hình” ở đây là chương trình đã học quy luật từ rất nhiều ảnh mẫu, rồi áp quy luật đó lên ảnh mới.
| Thế hệ | Làm gì với ảnh | Ví dụ | Giới hạn chính |
|---|---|---|---|
| Bộ lọc | Tăng tương phản ở mép | Unsharp Mask, High Pass | Không thêm chi tiết |
| Mô hình siêu phân giải | Thêm điểm ảnh, chi tiết do mô hình dự đoán | SRCNN, ESRGAN, Real-ESRGAN | Dự đoán có thể sai |
| Mô hình tạo ảnh | Vẽ ảnh mới từ ảnh của bạn và câu lệnh | ChatGPT, Gemini | Có thể đổi nét mặt, chữ, số |
Làm nét giữ nguyên số điểm ảnh (pixel), còn phóng thì thêm điểm ảnh; bài phân biệt upscale và làm nét tách hai việc hay bị gộp này. Gặp từ lạ, tra ở bảng thuật ngữ làm nét ảnh.
Thế hệ 1: bộ lọc làm nét như unsharp mask và high pass
Bộ lọc làm nét chỉ tăng tương phản dọc mép vật thể, không thêm chi tiết nào vào ảnh. Điểm sáng cạnh mép thành sáng hơn, điểm tối thành tối hơn, nên mắt thấy mép sắc hơn.
Unsharp Mask của Photoshop là ví dụ quen nhất. Adobe mô tả nó có ba thanh chỉnh: Amount là mức tăng, Radius là số điểm ảnh lân cận mép bị tác động, Threshold là mức chênh tối thiểu để một điểm được coi là mép, theo hướng dẫn Unsharp Mask của Adobe. Adobe nói thẳng rằng Photoshop không tạo ra chi tiết, chỉ tạo cảm giác có thêm chi tiết. High Pass là bộ lọc cùng họ: nó tìm các mép rồi làm chúng sắc hơn, trộn bằng Overlay cho hiệu ứng gắt hoặc Soft Light cho hiệu ứng nhẹ, theo hướng dẫn High Pass của Adobe.
Giới hạn nằm ngay trong cách bộ lọc làm việc. Hai nét chữ đã nhòe dính nhau vẫn dính sau khi tăng tương phản, vì bộ lọc chỉ làm đậm chỗ đang có. Đẩy quá tay thì Adobe cảnh báo quầng sáng (halo) quanh mép vật. Ảnh chỉ hơi mềm thì làm nét nhẹ là đủ, và không bịa thêm gì.
Thế hệ 2: mô hình siêu phân giải học từ hàng triệu cặp ảnh
Mô hình siêu phân giải thêm điểm ảnh cho ảnh bằng cách học từ rất nhiều cặp ảnh mờ và ảnh rõ, rồi dự đoán chi tiết còn thiếu. Phần dưới kể nó học ra sao, rồi điểm ba mốc từ SRCNN đến Real-ESRGAN.
Mô hình học bằng cách nào
Mô hình học bằng cách xem rất nhiều cặp ảnh mờ và ảnh rõ, rồi rút ra quy luật để áp lên ảnh mới. Siêu phân giải (super resolution) là tên chuyên môn của nhóm AI tăng độ phân giải. Người ta lấy hàng loạt ảnh rõ, làm mờ hoặc thu nhỏ chúng, rồi cho mô hình xem từng cặp: bản mờ ở đây, bản rõ ở kia. Sau rất nhiều cặp, mô hình rút ra quy luật, chẳng hạn vệt mờ dạng này thường là gân lá, mảng nhòe dạng kia thường là sợi tóc. Lúc bạn đưa ảnh vào, nó chỉ áp quy luật đã có. Adobe mô tả Super Resolution của họ là mô hình máy học được huấn luyện bằng hàng triệu ảnh, làm ảnh rộng và cao gấp đôi, tức số điểm ảnh gấp bốn, theo blog của Adobe.
Chi tiết mô hình thêm vào là dự đoán, không phải thứ lấy lại từ lúc chụp. Một vệt mờ có thể đến từ nhiều chi tiết thật khác nhau, nên mô hình chọn cái nó từng gặp nhiều nhất. Giả sử biển hiệu có một chữ nhòe: mô hình đã thấy rất nhiều chữ nên vẽ nét chữ nghe hợp lý. Có thể trúng, cũng có thể thành một chữ khác trông vẫn hợp lý. Ảnh mờ nhẹ thì dự đoán thường trúng; ảnh mờ nặng thì phần lớn là dựng lại. Khi nào nên dừng, bài giới hạn của AI làm nét ảnh nói kỹ hơn.
Từ SRCNN đến Real-ESRGAN
Hướng này đi từ một mạng nơ-ron đơn giản năm 2014 đến mô hình huấn luyện bằng ảnh tổng hợp năm 2021, qua ba cái tên bạn hay gặp.
- SRCNN, cuối năm 2014: một mạng nơ-ron học thẳng phép biến ảnh nhỏ, mờ thành ảnh lớn, rõ, theo bài báo trên arXiv.
- ESRGAN, 2018: cải tiến của SRGAN, loại mô hình dùng mạng đối kháng (GAN), tức hai mạng thi nhau, một mạng vẽ ảnh còn mạng kia bắt lỗi ảnh giả. ESRGAN cho kết cấu tự nhiên hơn SRGAN, theo bài báo trên arXiv.
- Real-ESRGAN, 2021: huấn luyện hoàn toàn bằng dữ liệu tổng hợp, tức cặp ảnh không cần chụp thật mà do chương trình làm hỏng ảnh rõ qua nhiều bước cho giống ảnh ngoài đời, theo trang GitHub của dự án và bài báo Real-ESRGAN trên arXiv. Chi tiết nằm trong bài Real-ESRGAN và GFPGAN dùng cho loại ảnh nào.
Mô hình phục hồi khuôn mặt dùng hiểu biết có sẵn về khuôn mặt
Mô hình phục hồi khuôn mặt dùng hiểu biết có sẵn về khuôn mặt, nên dựng lại mắt, mũi, miệng tốt hơn mô hình dùng chung cho mọi ảnh. Lý do đơn giản: khuôn mặt người luôn theo cùng một khuôn, hai mắt, một mũi, một miệng, nên mô hình có chỗ để bám khi ảnh quá mờ.
Người vẽ chân dung đã vẽ cả nghìn khuôn mặt thì nhìn một gương mặt nhòe vẫn biết con ngươi nằm ở đâu. GFPGAN, dự án của TencentARC, đưa ý này vào máy: README (trang giới thiệu) của dự án mô tả nó khai thác hiểu biết có sẵn trong một mô hình sinh khuôn mặt đã huấn luyện trước, để phục hồi mặt trong ảnh chất lượng thấp, theo trang GitHub của GFPGAN.
Cái giá là phải chọn giữa tự nhiên, sắc nét và giống thật. README của GFPGAN ghi rõ: bản v1.3 cho kết quả tự nhiên nhưng không quá sắc và hơi đổi nhận dạng; bản v1.2 sắc hơn nhưng có kết quả trông không tự nhiên. Mặt rõ hơn và vẫn đúng là người đó là hai việc khác nhau. Mặt rõ lên cũng chưa bảo đảm chữ trên áo đúng, vì mô hình khuôn mặt chỉ lo phần mặt.
LamNetAnh có cả mô hình phục hồi ảnh lẫn mô hình phục hồi khuôn mặt, và cả hai đã được tinh chỉnh. Ở chế độ Tại thiết bị, làm rõ khuôn mặt cần một mô hình riêng khoảng 170 MB: trên mạng thường, trình duyệt tự tải ở lần đầu; trên dữ liệu di động, trang hiện nút “Tải thêm khoảng 170 MB và làm rõ khuôn mặt” và chỉ tải khi bạn bấm. Xử lý xong, bấm Xem chi tiết để soi từng mặt ở mức 1:1, tức mỗi điểm ảnh hiện bằng một điểm trên màn hình. Ảnh chủ yếu là người thì trang làm nét khuôn mặt hợp hơn.
Thế hệ 3: mô hình tạo ảnh như ChatGPT và Gemini vẽ lại cả ảnh
Mô hình tạo ảnh như ChatGPT và Gemini không phóng ảnh của bạn mà vẽ một ảnh mới, dựa trên ảnh đó và câu lệnh bạn gõ.
Loại mô hình này tạo ảnh từ đầu theo câu lệnh, hoặc sửa ảnh có sẵn bằng câu lệnh mới, một phần hay toàn bộ, theo hướng dẫn tạo ảnh của OpenAI. Gemini làm tương tự: bạn đưa ảnh kèm câu lệnh để thêm, bớt hoặc đổi phần tử, phong cách, màu sắc, theo tài liệu Gemini API.
Khác biệt so với thế hệ 2 là cách coi ảnh của bạn. Mô hình siêu phân giải coi nó như khung xương cố định rồi thêm chi tiết lên. Mô hình tạo ảnh coi nó như bản tham chiếu và được phép vẽ lại, nên nét mặt, chữ, số thường lệch nhiều hơn. Cách gõ câu lệnh và giới hạn của chatbot có trong bài làm nét ảnh bằng ChatGPT và Gemini.
Chế độ AI của LamNetAnh thuộc thế hệ này. Ảnh được gửi tới OpenAI (Mỹ) để tạo lại ảnh rõ hơn. Ảnh ra khoảng 2 triệu điểm ảnh. Nét mặt, chữ, số, hoa văn có thể khác ảnh gốc, nên đừng dùng cho giấy tờ hay ảnh cần đúng từng chi tiết.
Chạy ở đâu: trên máy bằng WebGPU, trên máy chủ hay trên đám mây
Mô hình có thể chạy trên máy của bạn, trên máy chủ của dịch vụ hoặc trên đám mây của bên thứ ba, và nơi chạy quyết định ảnh có rời máy không và xử lý nhanh hay chậm. Cùng một mô hình, đổi nơi chạy là đổi cả tốc độ lẫn mức riêng tư. Bảng dưới so ba nơi, rồi hai mục nhỏ đi vào chạy trên máy, và máy chủ cùng đám mây.
| Nơi chạy | Ảnh đi đâu | Tốc độ | Trên LamNetAnh |
|---|---|---|---|
| Trên máy (WebGPU hoặc WebAssembly) | Ở lại máy bạn | Theo cấu hình máy; máy yếu chậm hơn | Tại thiết bị |
| Máy chủ của dịch vụ | Gửi tới máy chủ dịch vụ | Theo hàng chờ và đường mạng | Máy chủ |
| Đám mây của bên thứ ba | Gửi tới công ty cung cấp mô hình | Theo mạng và tải của họ | AI |
Trên máy: WebGPU hoặc WebAssembly
WebGPU cho trang web dùng chip đồ họa (GPU) của máy để tính toán nặng, kể cả chạy mô hình học máy, và chỉ hoạt động trên trang HTTPS, theo tài liệu WebGPU API của MDN. MDN ghi mức hỗ trợ giữa các trình duyệt còn hạn chế (tháng 10/2026). WebAssembly là đường dự phòng, chạy bằng CPU: tài liệu ONNX Runtime Web ghi mọi phép tính của mô hình đều chạy được trên WebAssembly, còn WebGPU chỉ hỗ trợ một phần. Cũng tài liệu đó nói dữ liệu không rời máy trong lúc chạy mô hình, nên chế độ này hợp với ảnh riêng tư.
Tại thiết bị trên LamNetAnh dùng WebGPU nếu máy hỗ trợ, không thì dùng WebAssembly, nên máy cũ vẫn chạy được, chỉ chậm hơn. WebGPU là gì và máy nào chạy được, xem bài WebGPU trong xử lý ảnh.
Máy chủ và đám mây
Máy chủ chạy được mô hình lớn hơn mà máy yếu không gánh nổi, đổi lại ảnh phải rời máy. LamNetAnh hiện không làm nét trên máy chủ của mình: ảnh hoặc ở lại máy bạn (Tại thiết bị), hoặc đi tới đám mây của bên thứ ba ở chế độ AI, tức OpenAI; họ giữ gì và dùng ra sao nằm ở chính sách của họ. Cách tự kiểm ảnh có bị tải lên không có trong bài bảo mật ảnh khi dùng công cụ AI.
Chọn nhanh: giấy tờ và ảnh riêng tư thì Tại thiết bị; ảnh rất mờ, cần bản đẹp để xem hoặc đăng thì AI, kèm lời nhắc nó có thể vẽ lại.
Vì sao cùng một ảnh mà mỗi web cho kết quả khác
Cùng một ảnh cho kết quả khác nhau vì mỗi web dùng mô hình khác, học từ dữ liệu khác và đặt cài đặt khác. Ba nguyên nhân cộng dồn, nên hai web đều ghi “AI” vẫn có thể ra hai ảnh không giống nhau.
Khác mô hình
Khác thế hệ đã đủ tạo chênh lệch lớn, vì mỗi thế hệ làm một việc khác. Cùng một dòng mô hình thì phiên bản cũng quyết định. README của GFPGAN ghi v1.3 tự nhiên hơn v1.2 nhưng không phải lúc nào cũng tốt hơn, và bản v1.4 sau đó thêm chi tiết, giữ nhận dạng tốt hơn v1.3.
Khác dữ liệu học
Mô hình thường giỏi loại ảnh nó đã học nhiều. Real-ESRGAN có hẳn một mô hình riêng cho tranh anime, theo README của dự án. Mô hình học một kiểu ảnh hỏng thì gặp kiểu hỏng khác thường kém hơn: ảnh nén qua ứng dụng chat, ảnh scan cũ và ảnh chụp thiếu sáng là ba kiểu khác nhau.
Khác cài đặt
Cùng mô hình, cài đặt vẫn đổi kết quả: mức phóng, mức làm mịn, có thêm bước làm nét ở cuối không, lưu PNG hay JPEG nén. Trên LamNetAnh, mỗi trang công cụ có một bộ thiết lập riêng cho loại ảnh của trang, gồm mức nét, mức làm mịn và cách xử lý chữ, nên cùng một ảnh đưa vào trang làm nét ảnh bị mờ và trang giảm hạt lấm tấm sẽ ra hai kết quả.
Muốn tự thấy khác biệt, mở trang làm nét ảnh bị mờ, đưa một ảnh vào, chọn Tại thiết bị rồi đổi sang AI để thấy mô hình tạo ảnh vẽ lại cả bức; trang xử lý lại cùng ảnh đó. Kéo thanh so sánh, bấm Xem chi tiết để soi ở mức 1:1, và so ở cùng cỡ nhìn: ảnh phóng to thường trông nét hơn chỉ vì chủ thể lớn hơn.
Câu hỏi thường gặp
AI làm nét có phải là chỉnh sửa giả không?
AI làm nét là chỉnh sửa, và phần chi tiết thêm vào là máy đoán, không có trong ảnh chụp gốc. Dùng để xem, đăng hoặc giữ ảnh kỷ niệm thì hợp lý; cần đúng từng chi tiết như chữ, số, nét mặt để đối chiếu thì không.
Vì sao cùng một ảnh, mỗi web cho kết quả khác?
Vì mỗi web dùng mô hình khác (thậm chí khác phiên bản), học từ dữ liệu khác và đặt cài đặt khác. So cho công bằng thì đưa cùng một tệp gốc vào từng nơi rồi soi ở mức 1:1.
Ảnh có rời khỏi máy khi dùng AI làm nét không?
Tùy nơi chạy. Tại thiết bị: ảnh không rời máy bạn. AI: ảnh gửi tới OpenAI, và có thể bị vẽ lại chi tiết.
Nói ngắn gọn, AI làm nét ảnh hoạt động thế nào?
AI học quy luật từ rất nhiều ảnh mẫu rồi thêm chi tiết hợp lý vào ảnh của bạn, và chi tiết đó là dự đoán. Ba thế hệ khác nhau ở độ tự do: bộ lọc chỉ tăng tương phản, siêu phân giải thêm điểm ảnh, mô hình tạo ảnh vẽ lại cả bức.
