Hoàng Anh Tuấn, sinh viên năm cuối ngành Công nghệ thông tin – Truyền thông, Trường Đại học Khoa học và Công nghệ Hà Nội (USTH), là tác giả chính của nghiên cứu về tái dựng cảnh 3D từ hình ảnh trên không, được công bố trên tạp chí quốc tế IEEE Geoscience and Remote Sensing Letters.
Bài báo có tên “MPHR: Trading Volumetric Completeness for Semantic Consistency in Monocular Aerial Surface Reconstruction”, tập trung giải quyết một bài toán trong lĩnh vực thị giác máy tính (Computer Vision): tái dựng không gian ba chiều (3D) và nhận diện các đối tượng trong môi trường từ hình ảnh trên không.

IEEE Geoscience and Remote Sensing Letters (IEEE GRSL) là tạp chí khoa học quốc tế chuyên về viễn thám và khoa học địa không gian, thuộc nhóm Q1 theo thông tin về thành tích nghiên cứu của sinh viên. Q1 là nhóm xếp hạng cao nhất trong hệ thống phân loại tạp chí khoa học theo tứ phân vị, phản ánh vị trí của tạp chí trong lĩnh vực chuyên môn được đánh giá.
Đối với Tuấn, đây là lần đầu tiên em có công trình được công bố trên một tạp chí thuộc hệ thống IEEE. Kết quả này cũng đánh dấu một cột mốc trong quá trình theo đuổi lĩnh vực Trí tuệ nhân tạo (Artificial Intelligence – AI), đặc biệt là các bài toán kết hợp giữa hình ảnh, không gian 3D và khả năng nhận thức môi trường.

Từ hình ảnh 2D đến bài toán tái dựng không gian 3D
Nghiên cứu của Tuấn tập trung vào bài toán tái dựng bề mặt và hoàn thiện thông tin ngữ nghĩa của cảnh 3D từ hình ảnh trên không (Monocular Aerial Semantic Scene Reconstruction). Bài toán hướng tới việc khôi phục cấu trúc không gian ba chiều từ ảnh đơn mắt, đồng thời dự đoán thông tin ngữ nghĩa cho các vùng không gian trong môi trường. Bài toán đặt ra yêu cầu hệ thống không chỉ tái dựng cấu trúc hình học của môi trường mà còn phải nhận diện được các đối tượng và hiểu ý nghĩa của từng khu vực trong không gian đó.
Thách thức lớn nằm ở việc hệ thống phải suy luận không gian 3D chỉ từ hình ảnh 2D, trong khi thông tin về chiều sâu còn hạn chế. Điều này khiến việc tái dựng cấu trúc môi trường và xác định chính xác các đối tượng trở nên phức tạp.
Để giải quyết vấn đề, Tuấn đề xuất phương pháp Multi-Phase Hybrid Raycasting (MPHR), khai thác thông tin chiều sâu từ mô hình 3D của môi trường kết hợp với nhãn ngữ nghĩa từ hình ảnh 2D. Hướng tiếp cận này ưu tiên cải thiện tính nhất quán về mặt ngữ nghĩa của kết quả dự đoán, thay vì chỉ tập trung vào mức độ hoàn thiện hình học của cảnh 3D.
Theo Tuấn, bài toán có tiềm năng ứng dụng trong lĩnh vực thiết bị bay không người lái (UAV), phục vụ các nhiệm vụ như nhận thức môi trường, lập kế hoạch đường bay, giám sát và xây dựng bản đồ 3D. Đây cũng là lý do khiến em quan tâm đến hướng nghiên cứu này, bên cạnh niềm yêu thích dành cho Computer Vision và AI.
Quá trình thực hiện nghiên cứu bắt đầu bằng việc tìm hiểu các công trình đã công bố về Semantic Scene Completion, đặc biệt là những phương pháp sử dụng hình ảnh đơn mắt và dữ liệu từ UAV. Sau khi phân tích những hạn chế của các phương pháp hiện có, Tuấn tìm hiểu phương pháp nền, thiết kế hướng tiếp cận MPHR và xây dựng quy trình thực nghiệm.
Các công việc tiếp theo bao gồm xử lý dữ liệu, xây dựng pipeline, huấn luyện mô hình, đánh giá kết quả và thực hiện các thí nghiệm đối chứng. Tuấn cũng phải nhiều lần phân tích, so sánh với phương pháp nền và bổ sung thí nghiệm để xác định những yếu tố thực sự ảnh hưởng đến hiệu quả của phương pháp.
Một trong những khó khăn lớn nhất không chỉ nằm ở việc triển khai mô hình mà còn ở cách đánh giá kết quả một cách khoa học. Với bài toán SSC, việc xây dựng dữ liệu chuẩn để đối chiếu là thách thức đáng kể, nhất là trong môi trường trên không. Dữ liệu 3D từ các nguồn khác nhau có thể không đồng nhất về độ phân giải, độ chính xác hình học và thông tin ngữ nghĩa. Vì vậy, kết quả tốt hơn trên một bộ dữ liệu chưa đủ để khẳng định phương pháp vượt trội trong mọi khía cạnh.
“Điều em nhận thấy là nghiên cứu khoa học không diễn ra theo một đường thẳng. Có những ý tưởng ban đầu không đem lại kết quả như mong đợi, và đôi khi chính những kết quả không tốt lại giúp mình hiểu rõ hơn vấn đề đang nghiên cứu”, Tuấn chia sẻ.
Học cách làm nghiên cứu từ giảng đường USTH
Sau khi hoàn thành các thí nghiệm chính, Tuấn cùng giảng viên hướng dẫn hệ thống hóa kết quả thành bản thảo khoa học và gửi đến IEEE GRSL. Quá trình phản biện đặt ra những yêu cầu cụ thể về việc giải thích lựa chọn phương pháp, bổ sung thí nghiệm và cung cấp thêm bằng chứng để củng cố các kết luận.

Với Tuấn, đây là trải nghiệm giúp em hiểu rõ hơn tiêu chuẩn của một công trình nghiên cứu quốc tế. Một bài báo không chỉ cần trình bày phương pháp đã thực hiện mà còn phải xác định rõ vấn đề nghiên cứu, khoảng trống trong các công trình trước đó, điểm mới của hướng tiếp cận và cơ sở thực nghiệm cho những kết luận được đưa ra.
“Người nghiên cứu cần có phương pháp thực nghiệm chặt chẽ, lập luận logic, khả năng giải thích các kết quả và thái độ nghiêm túc trước những ý kiến phản biện”, Tuấn nhận định.
Trong quá trình này, TS. Đoàn Nhật Quang là người trực tiếp hướng dẫn và hỗ trợ Tuấn về chuyên môn. Thầy giúp em định hướng cách tiếp cận vấn đề, xây dựng giả thuyết, thiết kế thực nghiệm và đánh giá kết quả. Bên cạnh những góp ý cụ thể, giảng viên còn khuyến khích sinh viên chủ động tìm hiểu, thử nghiệm và tự giải quyết các vấn đề phát sinh. Những trao đổi trong quá trình viết bài, chỉnh sửa bản thảo và chuẩn bị phản hồi cho phản biện cũng giúp Tuấn từng bước làm quen với yêu cầu của nghiên cứu khoa học quốc tế.
Theo Tuấn, nền tảng kiến thức tại USTH đóng vai trò quan trọng trong quá trình này. Các học phần về lập trình, thuật toán, toán học và những lĩnh vực chuyên sâu của Công nghệ thông tin giúp em tiếp cận các bài toán trong AI, Machine Learning và Computer Vision. Riêng với đề tài đang thực hiện, kiến thức về xử lý ảnh, học máy và học sâu là những công cụ cần thiết để triển khai mô hình và tiến hành thực nghiệm.
Môi trường học tập bằng tiếng Anh cũng giúp Tuấn làm quen với việc đọc tài liệu khoa học, tiếp cận các công trình nghiên cứu quốc tế và trình bày kết quả theo chuẩn mực học thuật. Quan trọng hơn, việc có cơ hội trao đổi trực tiếp với giảng viên tạo điều kiện để sinh viên tìm hiểu sâu hơn những vấn đề mình quan tâm và từng bước tham gia nghiên cứu.
Hiện tại, Tuấn đang theo học năm cuối tại USTH, đồng thời thực tập tại VinFast. Trong 3–5 năm tới, em định hướng phát triển chuyên môn trong lĩnh vực AI, tích lũy kinh nghiệm triển khai công nghệ trong thực tế và tiếp tục tham gia các dự án nghiên cứu. Tuấn cũng dự định theo học chương trình thạc sĩ ở nước ngoài, hướng tới mục tiêu lâu dài là tiếp tục nghiên cứu chuyên sâu ở bậc tiến sĩ.
Với những sinh viên muốn bắt đầu nghiên cứu khoa học, Tuấn cho rằng không nên chờ đến khi có đủ kiến thức mới bắt đầu. Các bạn có thể lựa chọn một chủ đề quan tâm, đọc những công trình đã công bố để tìm hiểu vấn đề và xác định những hạn chế còn tồn tại. Việc cải tiến một phương pháp hiện có, nếu có cơ sở khoa học và được kiểm chứng bằng thực nghiệm, cũng có thể tạo nên một hướng nghiên cứu có giá trị.
Bên cạnh kiến thức chuyên môn, sinh viên cần rèn luyện kỹ năng lập trình, phân tích dữ liệu, đọc tài liệu và viết tiếng Anh học thuật. Tuấn cũng khuyến khích các bạn chủ động trao đổi với giảng viên để tìm kiếm cơ hội nghiên cứu phù hợp.
Với Tuấn, bài báo đầu tiên không phải là đích đến mà là bước khởi đầu cho quá trình học hỏi lâu dài. Việc tham gia nghiên cứu khi vẫn còn ngồi trên giảng đường giúp em hiểu rõ hơn cách hình thành một câu hỏi khoa học, kiểm chứng ý tưởng và nhìn nhận kết quả một cách khách quan – những năng lực cần thiết để tiếp tục theo đuổi con đường AI trong tương lai.








