Điện, điện tử - Hoàn thiện các vùng phá hủy hình dạng bất kỳ trong ảnh sử dụng kiến trúc mạng thặng dư và nhân chập từng phần

 ISSN: 1859-2171 
e-ISSN: 2615-9562 
TNU Journal of Science and Technology 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 19 
HOÀN THIỆN CÁC VÙNG PHÁ HỦY HÌNH DẠNG BẤT KỲ TRONG ẢNH SỬ 
DỤNG KIẾN TRÚC MẠNG THẶNG DƯ VÀ NHÂN CHẬP TỪNG PHẦN 
Lê Đình Nghiệp1, Phạm Việt Bình2, Đỗ Năng Toàn3, Hoàng Văn Thi4
1Trường Đại học Hồng Đức, 
2Trường Đại học Công nghệ thông tin & Truyền thông – ĐH Thái Nguyên, 
3Viện Công nghệ thông tin – ĐH Quốc gia Hà Nội, 4Sở giáo dục và Đào tạo Thanh Hóa 
TÓM TẮT 
Ngày nay, các giải thuật dựa trên học sâu cho bài toán hoàn thiện ảnh (image inpainting) đã thu 
được kết quả tốt khi xử lý các vùng mất mát thông tin có hình dạng vuông hoặc các hình phổ dụng. 
Tuy nhiên, vẫn thất bại trong việc tạo ra các kết cấu hợp lý bên trong vùng bị phá hủy do thiếu các 
thông tin xung quanh. Trong nghiên cứu này, bắt nguồn từ giải thuật học thặng dư được dùng để 
dự đoán các thông tin bị mất trong vùng bị phá hủy, thuận lợi cho tích hợp các đặc trưng và dự 
đoán kết cấu, chúng tôi đề xuất mạng nhân chập từng phần thặng dư cải tiến dựa trên kiến trúc mã 
hóa và giải mã U-net để lấp đầy vùng bị phá hủy bảo toàn kết cấu không chỉ với các hình dạng phổ 
dụng mà còn cho các hình dạng bất kỳ. Các thí nghiệm dựa trên định tính và định lượng đều cho 
thấy mô hình đề xuất có thể giải quyết các vùng bị phá hủy có hình dạng bất kỳ và đạt hiệu suất 
thực thi tốt hơn các phương pháp inpainting trước đó. 
Từ khóa: inpainting ảnh; mặt nạ không phổ dụng; mặt nạ bất kỳ; mạng thặng dư; thị giác máy 
tính; nhân chập từng phần; 
Ngày nhận bài: 11/9/2019; Ngày hoàn thiện: 18/9/2019; Ngày đăng: 03/10/2019 
IMAGE INPAINTING FOR ARBITRARY HOLES USING CUSTUMIZED 
RESIDUAL BLOCK ARCHITECTURE WITH PARTIAL CONVOLUTIONS 
Le Dinh Nghiep
1
, Pham Viet Binh
2
, Do Nang Toan
3
, Hoang Van Thi
4 
1Hong Duc University, 
2University of Information and Communication Technology - TNU, 
3Institute of Information Technology - VNU, 4Thanh Hoa Department of Education and Training 
ABSTRACT 
Recently, learning-based algorithms for image inpainting achieve remarkable progress dealing 
with squared or regular holes. However, they still fail to generate plausible textures inside 
damaged area because there lacks surrounding information. In this paper, motivated by the residual 
learning algorithm which aims to learn the missing information in corrupted regions, thus 
facilitating feature integration and texture prediction we propose Residual Partial Convolution 
network (RBPConv) based on encoder and decoder U-net architecture to maintain texture while 
filling not only regular regions but also random holes. Both qualitative and quantitative 
experimental demonstrate that our model can deal with the corrupted regions of arbitrary shapes 
and performs favorably against previous state-of-the-art methods. 
Keywords: generative image inpainting; irregular mask; residual network; computer vision; 
arbitrary mask; partial convolution. 
Received: 11/9/2019; Revised: 18/9/2019; Published: 03/10/2019 
* Corresponding author. Email: ledinhnghiep@hdu.edu.vn 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 20 
1. Giới thiệu 
Inpainting ảnh là một tiến trình lấp đầy hay 
khôi phục lại các vùng bị mất mát thông tin 
hay vùng bị phá hủy (gọi là vùng đích) trong 
ảnh bằng cách tổng hợp từ các vùng không bị 
phá hủy hay các ảnh gốc khác (gọi là vùng 
nguồn). Inpainting được sử dụng trong rất 
nhiều ứng dụng thực tế như: loại bỏ các đối 
tượng không mong muốn ra khỏi ảnh, khôi 
phục các vùng ảnh bị phá hủy, hoàn thiện các 
vùng bị che khuất, khử nhiễu. Mặc dù đã 
được nghiên cứu trong nhiều thập niên qua, 
inpainting ảnh vẫn là một bài toán mở và khó 
trong lĩnh vực đồ họa và thị giác máy tính do 
tính mơ hồ không rõ ràng và độ phức tạp của 
ảnh tự nhiên. Nói chung, kết quả ảnh 
inpainting phải thỏa mãn yêu cầu về bảo toàn 
cấu trúc ngữ nghĩa tổng thể và kết cấu chi tiết. 
Các phương pháp inpainting cổ điển dựa trên 
khuyếch tán [1] [2] hay lấy mẫu [3] [4] [5] [6] 
đều sử dụng ý tưởng thẩm thấu các thông tin 
về cấu trúc và kết cấu trong từ các vùng 
nguồn vào trong các vùng đích. Với các cách 
tiếp cận này tiến trình inpainting ảnh được 
thực hiện theo từng bước từ rìa vùng đích vào 
trong. Vì vậy, kết quả của bước sau phục 
thuộc rất nhiều vào độ chính xác của bước 
trước đó, lỗi thẩm thấu sẽ xuất hiện nếu như 
việc khôi phục thất bại ở một bước nào đó thì 
kết cấu tổng thể cũng như chi tiết sẽ bị sai 
lệch (hình 1b). 
(a) (b) (c) (d) 
Hình 1. Một số kỹ thuật inpainting. (a) ảnh với 
vùng cần hoàn thiện. (b) Ảnh hoàn thiện dựa trên 
lấy mẫu PathMach [6]. (c) Ảnh hoàn thiện dựa 
trên mạng Context Encoder [7]. (d) Ảnh gốc 
Bên cạnh đó quá trình tìm kiếm lân cận gần 
nhất có chi phí thời gian lớn. Cách tiếp cận 
này hiệu quả khi có thể tìm thấy các mẫu ảnh 
với đầy đủ sự tương quan về mặt trực quan 
tuy nhiên sẽ thất bại nếu không tìm thấy mẫu 
ảnh tương tự trong cơ sở dữ liệu. Hơn nữa, 
các phương pháp này có thể cần đến cơ sở dữ 
liệu mẫu bên ngoài làm giảm phạm vi của ảnh 
cần hoàn thiện. 
Ngược lại với các phương pháp truyền thống 
dựa trên lấy mẫu sử dụng các đặc trưng xung 
quanh vùng trống trong ảnh hoặc từ tập mẫu 
chọn trước, các giải thuật dựa trên mạng nhân 
chập học sâu (Deep Convolution Neural 
Network (DCNN)) cũng đã được đề xuất để 
học các đặc trưng dùng cho dự đoán các phần 
mất mát thông tin dựa trên tập dữ liệu huấn 
luyện. Lợi ích từ dữ liệu huấn luyện lớn, các 
phương pháp dựa trên DCNN đưa kết quả 
inpainting với ngữ nghĩa hợp lý hơn. Tuy 
nhiên, một số phương pháp dựa trên DCNN 
thường hoàn thiện các vùng mất mát thông tin 
bằng cách thẩm thấu các đặc trưng nhân chập 
của các vùng xung quanh thông qua một tầng 
kết nối đầy đủ, làm cho kết quả inpainting đôi 
khi thiếu các chi tiết kết cấu tốt và có vết mờ 
(hình 1c). 
Một giới hạn khác của các kỹ thuật inpainting 
trước đây là chỉ tập trung trên các vùng trống 
hình chữ nhật và giả thiết nó thường được đặt 
ở xung quanh trung tâm của ảnh [7] [8] [9]. 
Những giới hạn này có thể dẫn đến tình trạng 
quá khớp trên các vùng trống hình chữ nhật 
và giới hạn ứng dụng của các mô hình này 
trong thực tế. Một vài nghiên cứu [10] [11] 
gần đây đã mở rộng hình dạng của mặt nạ 
vùng trống với các khuôn dạng phổ dụng như 
hình chữ nhật, hình thoi, hình elip và đặt 
chúng ở các vị trí ngẫu nhiên trong ảnh. Tuy 
nhiên nghiên cứu cũng chưa thu được kết quả 
tốt trên tập mặt nạ này. Dựa trên tập mặt nạ 
với hình dáng và đường kẻ đa dạng có được 
từ nghiên cứu [12], kết hợp với phép nhân 
chập từng phần nghiên cứu [13] cho kết quả 
inpainting tương đối tốt trên tập mặt nạ không 
phổ dụng này. 
Để gia tăng tốc độ, hiệu suất thực thi cũng 
như kết quả inpainting, chúng tôi đề xuất một 
mô hình kiến trúc mạng DCNN sử dụng các 
khối residual kết hợp với nhân chập từng 
phần được giới thiệu lần đầu trong [13] nhằm 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 21 
gia tăng khả năng trừu tượng hóa đặc trưng 
tạo ra các ảnh hoàn tiện tốt hơn. Các thực 
nghiệm được thực hiện trên các tập dữ liệu 
chuẩn cho thấy phương pháp đề xuất thu được 
hiệu suất cao và thời gian xử lý nhanh, bền 
vững với các thể loại mặt nạ khác nhau với cả 
hình dạng thông dụng, không thông dụng, 
hoặc mặt nạ bất kỳ khi so sánh với các 
phương pháp trước đó. Các phần tiếp theo của 
bài viết này được tổ chức như sau: trước hết 
các nghiên cứu liên quan được trình bày trong 
phần 2; kiến trúc mô hình đề xuất với các 
khối Residual cải tiến kết hợp với nhân chập 
từng phần được giới thiệu trong phần 3; môi 
trường thực nghiệm và các kết quả được trình 
bày trong phần 4; cuối cùng, kết luận được 
đưa ra trong phần 5. 
2. Các nghiên cứu liên quan 
Các cách tiếp cận không dựa trên mạng học 
sâu thường được chia thành hai loại: phương 
pháp dựa trên khuyếch tán [14] [1] [2] và 
phương pháp dựa trên lấy mẫu [6] [15] [16] 
[17] [18]. Các phương pháp dựa trên khuyếch 
tán thường lấp đầy các vùng đích chỉ dựa trên 
việc thẩm thấu các thông tin bề mặt từ của 
vùng xung quanh chúng. Phương pháp này 
chỉ có thể xử lý các vùng trống hẹp trong ảnh 
có sự biến thiên về kết cấu và màu sắc nhỏ. 
Chúng thất bại trong việc tổng hợp các nội 
dung ngữ nghĩa do các thông tin chỉ đến từ 
các lân cận của nó và như vậy không thể giải 
quyết trường hợp vùng trống kích thước lớn. 
Các phương pháp dựa trên lấy mẫu chia nhỏ 
vùng đích thành các vùng trống nhỏ và nỗ lực 
tìm các vùng tương tự hoặc có liên quan đến 
các vùng này sau đó lắp ghép chúng vào vùng 
trống nhỏ tương ứng. Các phương pháp này 
có thể tổng hợp cho kết quả tương đối mượt 
và chấp nhận được nếu như giải thuật tham 
lam dùng để xác định ưu tiên của mảnh ghép 
tốt, nhưng chi phí tính toán là rất lớn. Khắc 
phục nhược điểm này PatchMatch [6] đề xuất 
một giải thuật tìm kiếm mẫu xấp xỉ nhanh cho 
kết quả khá tốt, tuy nhiên việc hoàn thiện ảnh 
sẽ thất bại nếu không tìm thấy mẫu ghép có 
độ so khớp cao và vẫn chưa đủ nhanh cho các 
ứng dụng thời gian thực. Một giới hạn khác 
của các cách tiếp cận này là không tạo ra 
được các cấu trúc chi tiết vì chúng chỉ xử lý 
trên bề mặt cục bộ mức thấp và không thể thu 
nhận các thông tin ngữ nghĩa ở mức cao.
Hình 2. Kiến trúc mô hình đề xuất 
Gần đây, các cách tiếp cận dựa trên mạng DCNN thu được nhiều kết quả vượt trội trong lĩnh vực 
inpainting ảnh với các vùng đích có kích thước lớn [7] [19] [10] [9] [20]. Các phương pháp trong 
cách tiếp cận này cải thiện kết quả inpainting bằng cách sử dụng các thông tin ngữ nghĩa trong 
ảnh. Một trong các nghiên cứu đầu tiên dựa trên DCNN cho bài toán inpainting là Context 
Encoder [7], sử dụng một kiến trúc mã hóa – giải mã (encoder-decoder) để lấp đầy vùng trống, 
đồng thời bổ sung thêm hàm loss đối kháng (adversarial loss) trong pha huấn luyện để nâng cao 
chất lượng trực quan của ảnh hoàn thiện. Mặc dù Context Encoder hiệu quả trong việc đạt được 
cấu trúc tổng thể và ngữ nghĩa của ảnh, nhưng chỉ với kiến trúc mạng chuyển tiếp đơn các kết cấu 
chi tiết tốt vẫn không được sinh ra. Sau khi các mạng đối kháng sinh (generative adversarial 
networks (GAN)) được giới thiệu trong nghiên cứu [21], các nghiên cứu sau đó dựa trên GAN 
như [22] [23] [24] [20] [11] hoàn thiện vùng đích dựa trên lớp ngữ nghĩa của vùng nguồn đưa ra 
kết quả hợp lý hơn về mặt trực quan. Nghiên cứu [25] bổ sung thêm hàm loss cấu trúc nhằm duy 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 22 
trì tái cấu trúc của cạnh. Zhang và các cộng 
sự [26] chia tiến trình lấp đầy vùng trống này 
thành nhiều pha, qua mỗi pha kích thước của 
vùng trống giảm dần tạo ra kết quả khá tốt. 
Tuy nhiên kích thước của vùng trống bị giới 
hạn là các vùng hình vuông hoặc oval. Chúng 
không thể xử lý với các vùng trống khác hoặc 
các mặt nạ với kích thước đa dạng. Lui và các 
cộng sự [13] sử dụng các phép nhân chập 
từng phần (partial convolution) trong đó phép 
nhân chập chỉ dựa trên các điểm ảnh chắc 
chắn nhằm giảm thiểu tác động gây ra bởi sự 
khác biệt phân bố giữa vùng mặt nạ và vùng 
ngoài mặt nạ. Phương pháp này ngoài việc sử 
dụng các mặt nạ hình dạng phổ dụng còn có 
thể áp dụng cho các mặt nạ không phổ dụng 
được sinh ra trong nghiên cứu [12] dựa trên 
ước lượng ảnh mặt nạ giữa hai khung ảnh liên 
tiếp trong video. 
Hiện nay, các mạng DCNN đạt được hiệu 
suất thực thi rất cao trong nhận dạng và phân 
loại ảnh. Đặc biệt là mạng ResNet [27] có tác 
động to lớn đến sự phát triển của mạng nhân 
chập học sâu. Với khối cấu trúc được thiết kế 
hiệu quả tạo ra mạng có kiến trúc sâu hơn, 
khắc phục được vấn đề mất mát gradient tại 
pha huấn huyện [27]. Ngoài ra các khối residual 
còn chứa các kết nối nhanh (short-cut) cho kết 
quả tốt hơn với cả hiệu suất và thời gian thực 
thi. Các ưu điểm của kiến trúc residual được 
nghiên cứu cải tiến đưa vào mô hình đề xuất 
nhằm gia tăng kết quả inpainting ảnh. 
3. Mô hình đề xuất 
Mô hình đề xuất RBPconv của chúng tôi cho 
bài toán inpainting trên kiến trúc nền U-net 
kết hợp với các khối Residual cải tiến và phép 
nhân chập từng phần. Sơ đồ tổng quát của 
mô hình được minh họa trong hình 2. 
3.1. Khối Residual 
Kiến trúc của các khối residual cải tiến được 
minh họa trong hình 3. Khối này được chia 
thành 2 khối con. Đầu tiên bộ lọc nhân chập 
kích thước 1x1 được áp dụng cho mỗi khối 
con trong kiến trúc hình tháp với mục đích 
làm giảm số chiều của bản đồ đặc trưng trước 
khi áp dụng bộ lọc thông dụng 3x3. Điều này 
giúp cho số chiều của bản đồ đặc trưng, giảm 
chi phí tính toán. Ví dụ đầu ra của tầng trước 
(là đầu vào của tầng hiện tại) là 100x100x128 
đi qua tầng nhân chập hiện tại cho đầu ra là 
100x100x256 sau khi nhân chập với mặt nạ 
3x3 với 256 kênh (stride =1, pad=2), thì các 
tham số sẽ là 128x3x3x256 = 294912. Nếu 
đầu ra của tầng trước đi qua tầng nhân chập 
kích thước 1x1 với 64 kênh trước và sau đó 
nhân chập với mặt nạ 3x3, 256 kênh thì kết 
quả vẫn là 100x100x256, nhưng tham số nhân 
chập giảm xuống 128x1x1x64 + 
64x3x3x256=155648, tức là giảm gần 2 lần. 
Hình 3. Kiến trúc khối residual cải tiến 
Một khối con chứa một tầng nhân chập 3x3 
khối còn lại chứa hai tầng 3x3 (hình 3). Các 
đặc trưng cục bộ của hai khối này với kích 
thước khác nhau được tập hợp và nối lại với 
nhau. Kết nối short-cut được áp dụng trực tiếp 
giữa đầu vào và đầu ra ngăn chặn mất 
gradient trong mạng học sâu. Các kết nối 
short-cut được chứng minh trong nghiên cứu 
[27] không làm gia tăng thêm các tham số 
cũng như độ phức tạp chi phí tính toán. 
3.2. Partial Convolution 
Khái niệm về nhân chập từng phần được đề 
xuất lần đầu trong nghiên cứu [13] áp dụng 
cho bài toán inpainting với các vùng trống 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 23 
không phổ dụng đã thu được kết quả khả 
quan. Nhân chập từng phần có thể được suy 
ra bằng các mặt nạ và có được tái chuẩn hóa 
chỉ dựa trên các điểm ảnh hợp lệ. Gọi W là 
trọng số của bộ lọc nhân chập và b là độ lệch 
chuẩn tương ứng. X là các giá trị đặc trưng 
trong cửa sổ trượt hiện tại, M là mặt nạ nhị 
phân tương ứng. Nhân chập từng phần tại mỗi 
vị trí được biểu diễn như sau: 
 (1) 
Trong đó ⊙ biểu diễn phép nhân từng phần 
tử tương ứng của hai ma trận. Có thể thấy 
rằng, các giá trị tính được chỉ phụ thuộc vào 
vùng ngoài mặt nạ. Nhân chập từng phần có 
ảnh hưởng tốt hơn nhân chập chuẩn khi xử lý 
chính xác với các mặt nạ kích thước bất kỳ. 
Khác với bài toán phân loại ảnh hay dò tìm 
đối tượng trong đó tất cả các điểm ảnh của 
ảnh đầu vào là hợp lệ, bài toán inpainting lại 
có nhiều điểm ảnh không hợp lệ nếu bị rơi 
vào vùng bị phá hủy hay các vùng trong mặt 
nạ. Các giá trị điểm ảnh của vùng mặt nạ 
thông thường được đặt là 0 hoặc 1. Tận dụng 
các ưu điểm của phép nhân chập từng phần 
này, mô hình đề xuất thay thế phép nhân chập 
chuẩn ở tất cả các tầng nhân chập bằng phép 
nhân chập từng phần. 
Ngoài ra, theo sau mỗi phép nhân chập từng 
phần là cơ chế phát sinh và cập nhật mặt nạ tự 
động cho các tầng nhân chập tiếp theo như là 
một phần của mạng chuyển tiếp. Nếu như 
phép nhân chập có thể ước định đầu ra của nó 
trên ít nhất một giá trị đầu vào hợp lệ thì vị trí 
này được đánh dấu là hợp lệ. Điều này có thể 
được biểu diễn bởi công thức: 
 (2) 
3.3. Kiến trúc mô hình 
Nghiên cứu của chúng tôi bắt nguồn từ mô 
hình kiến trúc mạng encoder-decoder. Tuy 
nhiên để tăng tốc độ huấn luyện, chúng tôi đề 
xuất sử dụng các khối residual thay vì các 
tầng nhân chập thông thường cho các lớp ở 
giữa mạng này. Tại các mức đặc trưng thấp, 
cả tầng nhân chập đơn giản và tầng nhân chập 
phức tạp đều cho kết quả tương tự nhau [28]. 
Do đó tại tầng nhân chập thứ nhất, các mặt nạ 
3x3x64 được sử dụng để thu được bản đồ đặc 
trưng mức thấp 64 chiều. Sau đó các khối 
residual được thiết lập cho các tầng nhân 
chập. Sự thay thế này làm gia tăng nhiều hiệu 
suất thực thi của mạng. 
Trong mô hình kiến trúc mạng của chúng tôi, 
tương tự như kiến trúc mạng sử dụng trong 
[13] sử dụng kiến trúc mạng encoder-decoder 
với tổng cộng 16 tầng trong đó 8 tầng trong 
phần encoder và 8 tầng trong phần decoder 
tương ứng. Phần encoder được dùng để học 
các đặc trưng ảnh, đây cũng chính là một tiến 
trình mô tả đặc tính của các ảnh. Phần 
Decoder là một tiến trình khôi phục và giải 
mã các đặc trưng đã học tạo ra ảnh thực. 
Trong nhiều trường hợp, các thông tin được 
cung cấp bởi các điểm ảnh xung quanh một 
điểm ảnh được xem xét. U-net [29] sử dụng 
một kiến trúc mạng gồm 2 phần giảm mẫu 
(down-sampling) và tăng mẫu (up-sampling). 
Down-sampling được sử dụng để lấy dần các 
thông tin môi trường và tiến trình up-
sampling trộn các đặc trưng đã học và các 
thông tin môi trường trong down-sampling để 
khôi phục các chi tiết. 
Trong mô hình đề xuất mỗi tầng nhân chập 
nguyên bản trong U-net được thay thế là một 
khối residual cải tiến có kiến trúc trong hình 
3. Trong cải tiến này mỗi tầng nhân chập con 
được theo sau bởi chuẩn hóa batch và hàm 
kích hoạt. Hàm kích hoạt ReLU được sử dụng 
cho các tầng encoder và LeakyReLU với 
alpha=0.2 được sử dụng trong các tầng 
decoder. Bên cạnh đó, tất cả các tầng nhân 
chập được thay thế bằng nhân chập từng 
phần. Zero padding với kích thước 1 được sử 
dụng để làm cho tất cả các bản đồ đặc trưng 
có cùng kích thước. 
3.4. Hàm loss 
Ký hiệu Iin là ảnh đầu vào chứa các vùng 
trống cần hoàn thiện, Irec là ảnh khôi phục qua 
mô hình mạng, Igt là ảnh chuẩn (grounth 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 24 
truth). Gọi M là một mặt nạ nhị phân khởi tạo 
tương ứng với vùng ảnh bị xóa. Các phần tử 
trong M có giá trị 0 nếu điểm ảnh đó bị phá 
hủy và 255 cho các điểm ảnh còn lại. Khi đó 
để so sánh sự khác biệt giữa hai cấu trúc ảnh 
khôi phục và ảnh gốc trong hàm Loss cấu trúc 
sử dụng chuẩn L1 được định nghĩa như sau: 
 (3) 
Hàm loss về trực quan (perceptual loss) dùng 
để đo sự khác biệt về trực quan và ngữ nghĩa 
giữa hai ảnh được định nghĩa tương tự như 
trong [30]: 
 (4) 
Trong đó là các bản đồ đặc trưng kích 
hoạt đầu ra của tầng thứ j của mạng khi xử 
lý ảnh ; là một bản đồ đặc trưng có 
kích thước Cj x Hj x Wj. Perceptual loss lần 
đầu tiên được áp dụng cho bài toán inpainting 
ảnh trong nghiên cứu [9]. 
Bên cạnh đó, hàm loss hình dạng (style loss) 
cũng được sử dụng để loại bỏ các thành phần 
lạ hình bàn cờ [23], tương tự như perceptual 
loss, nhưng ma trận tương quan (ma trận 
Gram) trên mỗi bản đồ đặc trưng được sử 
dụng và được định nghĩa như sau: 
 (5) 
Trong đó, là một bản đồ đặc trưng 
mức cao có hình dạng Cj x Hj x Wj, đưa ra 
một ma trận gram kích thước Cj x Cj và 
 là hệ số chuẩn hóa cho tầng thứ j. 
Qua các thí nghiệm, chúng tôi thiết lập các 
trọng số dựa trên kinh nghiệm thu được hàm 
loss tổng thể như sau: 
 (6) 
4. Thực nghiệm và kết quả 
Trong nghiên cứu này, chúng tôi sử dụng tập 
mặt nạ tạo ra trong nghiên cứu [13] để kiểm 
thử mô hình đề xuất và so sánh kết quả với 
các mô hình khác. Tập mặt nạ huấn luyện này 
gồm 55.116 mặt nạ và tập kiểm thử gồm 
24.886 mặt nạ. Tất cả các mặt nạ và ảnh dùng 
cho pha huấn luyện và kiểm thử đều có cùng 
kích thước 256x256. Một số mặt nạ minh họa 
như trong hình 4. 
Hình 4. Một số mặt nạ 
Để tiện so sánh kết quả thực nghiệm của mô 
hình đề xuất với các kết quả thực nghiệm của 
các nghiên cứu gần nhất, trong nghiên cứu 
này thực nghiệm được tiến hành với tập mặt 
nạ sinh ra bên trên cho tập dữ liệu Places2 
[31]. Tiến trình huấn luyện được thực hiện 
trên máy chủ Nvidia Tesla V100 GPU 
(16GB). Mô hình đề xuất được tối ưu hóa sử 
dụng giải thuật Adam [32] với tỷ lệ học là 
0.0002, kích thước mỗi batch là 16. 
Ảnh cần hoàn thiện GLCIC [10] CA [11] PIC [33] RBPConv 
Hình 5. So sánh kết quả của RBPconv với các phương pháp trước đó 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 25 
So sánh định tính 
Hình 5 biểu diễn các kết quả trực quan của 
RBPconv so với một vài phương pháp được 
phát triển gần đây nhất như là GLCIC (Global 
and Local Consistent Image Completion) 
[10], CA(Contextual Attention) [11], PIC 
(Pluralistic Image Completion) [33]. Những 
kết quả này minh chứng rằng mặc dù không 
có một mạng tách biệt cho phát sinh cạnh như 
trong nghiên cứu [33] nhưng ảnh được khôi 
phục vẫn bảo toàn các cấu trúc hợp lý. Mô 
hình đề xuất tận dụng kiến trúc residual có thể 
cập nhật các mặt nạ từng bước và cũng cho 
phép các bộ lọc nhân chập tự hoàn thiện các 
đường bao. Hơn nữa trong ảnh hoàn thiện các 
vết mờ rất cũng ít xuất hiện. Các ảnh tạo ra 
bởi mô hình RBPConv gần với ground truth 
hơn các ảnh sinh từ các phương pháp khác. 
Mặc dù trong một số ít trường hợp có thể xuất 
hiện vết mờ, nhưng nó lại thích hợp với nền 
của các vùng xung quanh. 
So sánh định lượng 
Trong nghiên cứu này, chúng tôi sử dụng các 
độ đo chất lượng ảnh SSIM (Structural 
Similarity Index) [34] và PSNR (Peak Signal-
to-Noise Ratio) [35] được cài đặt trong bộ 
Matlab R2017a để đo chất lượng của phương 
pháp đề xuất với các phương pháp inpainting 
khác. Các phương pháp so sánh được phát 
triển trước đó gồm CA(Contextual Attention) 
[11], PConv (Partial Convolution Unet) [13] 
và EC (EdgeConnect) [26]. Các giá trị cụ thể 
được thể hiện trong bảng 1. Để có được số 
liệu này chúng tôi đã sử dụng các trọng số của 
các mạng huấn luyện tương ứng có sẵn. Kết 
quả của PConv được lấy từ bài viết [13] do 
mã nguồn chưa được nhóm tác giả công bố. 
Các số liệu thống kê có được sau khi tính toán 
trên 1.000 ảnh ngẫu nhiên lấy từ tập kiểm thử. 
Kết quả cho thấy mô hình RBPcov cho hiệu 
suất thực thi tốt hơn các phương pháp khác. 
Bảng 1. Kết quả định tính (PSNR, SSIM) trên tập 
dữ liệu Places2 với các phương pháp: CA [11], 
PConv [13] and EC [23], * nghĩa là giá trị lấy từ 
bài báo [13] 
 CA PConv
*
 EC RBPConv 
PSNR 21.34 24.90 24.65 25.29 
SSIM 0.806 0.777 0.857 0.868 
5. Kết luận 
Trong nghiên cứu này, chúng tôi phát triển 
một mạng RBPConv cho bài toán inpainting 
dựa trên các khối residual cải tiến, phép nhân 
chập từng phần và kiến trúc nền U-net. Các 
khối residual cải tiến, thành phần chính của 
mạng RBPconv duy trì sự biểu diễn ảnh độ 
phân giải cao thích hợp cả cho tái cấu trúc kết 
cấu và sự hội tụ của mạng. Mô hình RBPconv 
đề xuất đặc biệt hiệu quả cho việc lấp đầy các 
vùng trống với hình dạng bất kỳ và kích 
thước không lớn phù hợp với các mặt nạ sinh 
ra khi xóa bỏ một đối tượng trong ảnh và thay 
thế nó bằng đối tượng khác tương ứng về mặt 
kích thước. 
TÀI LIỆU THAM KHẢO 
[1]. Bertalmio, M., Vese, L., Sapiro, G. and Osher, 
S., "Simultaneous structure and texture image 
inpainting," IEEE transactions on image 
processing, Vol. 12, No. 8, pp. 882-889, 2003. 
[2]. Liu, D., Sun, X., Wu, F., Li, S., and Zhang, 
Y., "Image compression with edge-based 
inpainting," IEEE Transactions on Circuits and 
Systems for Video Technology, Vol. 17, No. 10, 
pp. 1273-1287, 2007. 
[3]. Criminisi, A., Perez, P., and Toyama, K., 
"Object removal by exemplar-based inpainting," 
IEEE Conference on Computer Vision and Pattern 
Recognition (CVPR), Vol. 2, pp. 721-728, 2003. 
[4]. Drori, I., Cohen-Or, D., and Yeshurun, H., 
"Fragment-based image completion," TOG, Vol. 
22, No. 3, pp. 303-312, 2003. 
[5]. N. Komodakis, "Image completion using 
global optimization," CVPR, pp. 442–452, 2006. 
[6]. Barnes, C., Shechtman, E., Finkelstein, A., 
Goldman, D. B., "Patchmatch: A randomized 
correspondence algorithm for structural image 
editing," ACM Transactions on Graphics-TOG, 
Vol. 28, No. 3, 2009. 
[7]. Pathak, D., Krahenbuhl, P., Donahue, J., 
Darrell, T., Efros, A.A., "Context encoders: 
Feature learning by inpainting," Proceedings of 
the IEEE Conference on Computer Vision and 
Pattern Recognition, pp. 2536–2544, 2016. 
[8]. Yan, Z., Li, X., Li, M., Zuo, W., and Shan, S., 
"Shift-net: Image inpainting via deep feature 
rearrangement.," arXiv preprint 
arXiv:1801.09392, 2018. 
[9]. Yang, C., Lu, X., Lin, Z., Shechtman, E., 
Wang, O., Li, H, "High-resolution image 
Lê Đình Nghiệp và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 208(15): 19 - 26 
 Email: jst@tnu.edu.vn 26 
inpainting using multi-scale neural patch 
synthesis," The IEEE Conference on Computer 
Vision and Pattern Recognition (CVPR), Vol. 1, 
pp. 3, 2017. 
[10]. Iizuka, S., Simo-Serra, E., Ishikawa, H., 
"Globally and locally consistent image 
completion," ACM Transactions on Graphics 
(TOG), Vol. 36, No. 4, 2017. 
[11]. Yu, J., Lin, Z., Yang, J., Shen, X., Lu, X., 
Huang, T.S., "Generative image inpainting with 
contextual attention," arXiv preprint 
arXiv:1801.07892, 2018. 
[12]. Sundaram, N., Brox, T., and Keutzer, K., 
"Dense point trajectories by gpu-accelerated large 
displacement optical flow," European conference 
on computer vision, pp. 438-451, 2010. 
[13]. Liu, G., Reda, F. A., Shih, K. J., Wang, T.-
C., Tao, A., and Catanzaro, B., "Image inpainting 
for irregular holes using partial convolutions," 
arXiv preprint arXiv:1804.07723, 2018. 
[14]. Bertalmio, M., Sapiro, G., Caselles, V., and 
Ballester, C., "Image inpainting," Proceedings of 
the 27th annual conference on Computer graphics 
and interactive techniques. ACM Press/Addison-
Wesley Publishing Co, p. 417–424, 2000. 
[15]. Darabi, S., Shechtman, E., Barnes,C., 
Goldman, D. B., and Sen, P., "Image melding: 
Combining inconsistent images using patch-based 
synthesis," ACM Trans. Graph, 2012. 
[16]. Huang, J., Kang, S. B., Ahuja, N. and Kopf, 
J., "Image completion using planar structure 
guidance," ACM Transactions on graphics (TOG), 
2014. 
[17]. Sun, J., Yuan, L., Jia, J., Shum, H., "Image 
completion with structure propagation," ACM 
Transactions on Graphics (ToG), pp. 861–868, 
2005. 
[18]. Xu, Z., and Sun, J., "Image inpainting by 
patch propagation using patch sparsity," IEEE 
transactions on image processing, pp. 1153–1165, 
2010. 
[19]. Liu, P., Qi, X., He, P., Li, Y., Lyu, M. R., 
and King, I., "Semantically consistent image 
completion with fine-grained details," arXiv 
preprint arXiv:1711.09345, 2017. 
[20]. Yeh, R. A., Chen, C., Lim, T. Y., Schwing, 
A. G., HasegawaJohnson, M., and Do,M. N., 
"Semantic image inpainting with deep generative 
models," In Proceedings of the IEEE Conference 
on Computer Vision and Pattern Recognition, pp. 
5485–5493, 2017. 
[21]. Radford, A., Metz, L., and Chintala, S., 
"Unsupervised representation learning with deep 
convolutional generative adversarial networks," 
arXiv preprint arXiv:1511.06434, 2015. 
[22]. Isola, P., Zhu, J., Zhou, T., and Efros, A. A., 
"Image-to-Image Translation with Conditional 
Adversarial Networks," Proceedings of the IEEE 
conference on computer vision and pattern 
recognition, pp. 1125-1134, 2017. 
[23]. Nazeri, K., Eric, Ng., Joseph, T., Qureshi, F., 
and Ebrahimi, M., "EdgeConnect: Generative 
Image Inpainting with Adversarial Edge 
Learning," arXiv preprint arXiv:1901.00212, 
2019. 
[24]. Xiong, W., Lin, Z., Yang, J., Lu, X., Barnes, 
C., and Luo, J., "Foreground-aware Image 
Inpainting," arXiv preprint arXiv:1901.05945, 
2019. 
[25]. Huy V. V., Ngoc Q. K. D., and Pérez,P., 
"Structural Inpainting," Proceedings of the 26th 
ACM International Conference on Multimedia 
(MM ’18), pp. 1948–1956, 2018. 
[26]. Zhang, H., Hu, Z., Luo, C., Zuo, W., and 
Wang, M., "Semantic Image Inpainting with 
Progressive Generative Networks," ACM 
Multimedia Conference on Multimedia 
Conference, pp. 1939–1947, 2018. 
[27]. He, K., Zhang, X., Ren,S., and Sun, J., "Deep 
residual learning for image recognition," 
Proceedings of the IEEE conference on computer 
vision and pattern recognition, pp. 770-778, 2016. 
[28]. Zeiler, M. D., and Fergus, R., "Visualizing 
and understanding convolutional networks," 
arXiv:1311.2901, 2013. 
[29] Ronneberger, O., Fischer, P., and Brox, T., 
"U-net: Convolutional networks for biomedical 
image segmentation," International Conference on 
Medical image computing and computer-assisted 
intervention, pp. 234–241, 2015. 
[30]. Johnson, J., Alahi, A., and Fei-Fei, L., 
"Perceptual losses for real-time style transfer and 
super-resolution," European Conference on 
Computer Vision, p. 694–711, 2016. 
[31]. Mahajan, K. S., Vaidya, M. B., "Image in 
Painting Techniques: A survey," IOSR Journal of 
Computer Engineering, vol. 5, no. 4, pp. 45-49, 
2012. 
[32]. Kingma, D. P., Ba, J. L.: Adam, "A method 
for stochastic optimization," international 
conference on learning representations , 2015. 
[33]. Zheng, C., Cham,T., and Cai, J., "Pluralistic 
Image Completion," CoRR abs/1903.04227, 2019. 
[34]. Zhou, W., Bovik, A. C., Sheikh, H. R., and 
Simoncelli E. P., "Image Qualifty Assessment: 
From Error Visibility to Structural Similarity.," 
IEEE Transactions on Image Processing, vol. 13, 
no. 4, p. 600–612, 2004. 
[35]. Gonzalez, R., and Wood, R. , "Digital Image 
Processing," Pearson Edn, 2009.