Xây dựng và phát triển ứng dụng trí tuệ nhân tạo trong xử lý ảnh nhằm phát hiện các hình ảnh giả mạo và phòng chống hành vi gian lận trong Kinh tế-Xã hội

Trong bối cảnh Việt Nam đang chứng kiến sự bùng nổ của dữ liệu số cùng với sự phát triển nhanh chóng và tinh vi của các kỹ thuật chỉnh sửa hình ảnh – đặc biệt là công nghệ DeepFake – nhu cầu về các giải pháp hiệu quả nhằm bảo vệ thông tin ngày càng trở nên cấp thiết. Xuất phát từ thực tiễn đó, nhóm nghiên cứu: Trịnh Tiến Đạt, Lưu Gia Linh tập trung vào việc xây dựng các mô hình trí tuệ nhân tạo (AI) dựa trên kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network – CNN) để giải quyết ba bài toán chính:

1. Phân loại hình ảnh chó và mèo.
2. Nhận dạng hình ảnh DeepFake.
3. Xác thực khuôn mặt.

Bộ dữ liệu sử dụng trong nghiên cứu là “140K Real and Fake Faces”, gồm 140.000 hình ảnh bao gồm cả ảnh thật và ảnh giả mạo được tạo ra bằng nhiều kỹ thuật DeepFake khác nhau. Dữ liệu có sự đa dạng cao về điều kiện ánh sáng, góc chụp và chất lượng hình ảnh, cho phép huấn luyện và đánh giá mô hình một cách toàn diện và thực tế hơn.

Hình 1: Nhóm nghiên cứu

Đặc biệt, nghiên cứu đã tích hợp thành công nhiều công nghệ tiên tiến nhằm tăng cường khả năng trích xuất đặc trưng và nâng cao độ bền vững (robustness) của mô hình, bao gồm:

• Khối tích chập đa tỷ lệ (Multi-scale Convolutional Block)
• Khối Squeeze-and-Excitation (SE Block)
• Nhánh tần số sử dụng DCT (Frequency Branch with Discrete Cosine Transform)
• Huấn luyện đối kháng sử dụng FGSM (Adversarial Training with Fast Gradient Sign Method)

Nhờ sự kết hợp linh hoạt các công nghệ trên, mô hình không chỉ thể hiện khả năng học đặc trưng hiệu quả từ ảnh mà còn đạt hiệu suất cao trong việc nhận diện hình ảnh DeepFake dưới nhiều điều kiện khác nhau.

Tuy nhiên, kết quả nghiên cứu cũng chỉ ra một số hạn chế như khả năng khái quát hóa chưa cao trên dữ liệu thực tế, tốc độ xử lý còn hạn chế và tỷ lệ nhận diện sai vẫn cần được tối ưu. Do đó, định hướng nghiên cứu trong tương lai sẽ tập trung vào:

• Ứng dụng học chuyển giao (Transfer Learning) với các mô hình hiện đại hơn như Transformers.
• Mở rộng và đa dạng hóa tập dữ liệu.
• Tối ưu hóa hơn nữa các kỹ thuật đã được triển khai.

Đề tài không chỉ mang lại giá trị khoa học trong lĩnh vực xử lý ảnh và trí tuệ nhân tạo, mà còn đóng góp thiết thực vào việc bảo vệ an ninh thông tin, tăng cường kiểm soát nội dung và hỗ trợ hiệu quả cho các lĩnh vực quan trọng như an ninh, quốc phòng, giáo dục và kinh tế – xã hội.