Tự động hóa quy trình số hóa phim 35mm bằng AI
Một nhiếp ảnh gia đã xây dựng quy trình tự động chuyển đổi ảnh âm bản phim 35mm sang dương bản, loại bỏ bụi bẩn và gắn thẻ tự động bằng mô hình AI chạy cục bộ. Dự án cho thấy cách các mô hình ngôn ngữ lớn và mô hình thị giác có thể hỗ trợ những công việc thủ công tỉ mỉ.

Việc số hóa phim âm bản tốn rất nhiều thời gian. Với một cuộn 36 tấm, quy trình thủ công gồm cắt phim, quét từng khung hình, đảo màu bằng tay và chỉnh sửa từng ảnh mất khoảng 4 giờ.
Một nhiếp ảnh gia đã ghi lại hành trình xây dựng công cụ tự động cho công việc này trên blog cá nhân. Kết quả là một pipeline hoàn chỉnh, từ khâu đảo màu, loại bụi đến gắn thẻ và chia sẻ ảnh.
Thử nghiệm đầu tiên thất bại
Ý tưởng ban đầu là để một tác nhân AI (agent) điều khiển máy quét qua SANE, bộ trình điều khiển máy quét mã nguồn mở. Tác nhân này sẽ đảm nhận toàn bộ khâu quét, đảo màu và chỉnh sửa.
Lần quét đầu tiên hỏng ngay. Tác nhân dùng sai hướng trục X/Y của bàn quét, khiến cơ cấu bánh răng bên trong máy suýt bị phá hỏng.
Nguyên nhân được tìm ra sau đó: sau mỗi lần quét, phần mềm nền gửi lệnh đưa đầu quét về vị trí ban đầu bằng một cú chạy ngược mù quáng, giả định đầu quét đã tiến về phía trước. Thực tế đầu quét đã ở cuối hành trình, nên động cơ đẩy nó đâm vào chốt chặn. Tiếng lách cách nghe thấy chính là âm thanh đó, lặp lại 7 lần.
Người viết phải tự sửa máy để khỏi mua thiết bị mới trị giá 200 USD. Bài học rút ra: không nên giao quyền điều khiển phần cứng cho AI khi chưa kiểm chứng kỹ.
Chuyển âm bản thành dương bản
Hướng đi mới giữ nguyên thao tác quét bằng VueScan, phần mềm tương thích tốt với máy quét, rồi tự động hóa phần xử lý phía sau.
Việc đảo màu chủ yếu là code thuần. Một đoạn numpy ngắn thực hiện phép đảo trong không gian mật độ phim (film density), đo màu trên toàn cuộn trước khi chỉnh từng khung trong giới hạn của âm bản.
Cách làm này giữ cho 36 khung hình đồng nhất với nhau, và một bức ảnh hoàng hôn không bị chỉnh màu lệch hẳn. Khung trống ở đầu cuộn được dùng làm mốc tham chiếu cho việc cân bằng màu.
Kết quả thử nghiệm đạt 28/29 khung. Bản chuyển đổi tự động sáng hơn và trung tính hơn so với bản xuất tay của tác giả, vốn ngả xanh và tối hơn.
Loại bụi và chỉnh sửa bằng mô hình
Đây là chỗ các mô hình học máy phát huy tác dụng, khi code thuần không còn đủ.
Bụi được phát hiện bằng phân tích ảnh trên âm bản rồi đánh dấu để xóa. Bài toán khó hơn tưởng tượng: trên một khung ảnh bãi biển, bộ phát hiện đầu tiên nhận nhầm khoảng 2.000 tia nắng lấp lánh trên mặt nước thành bụi.
Cách khắc phục là thêm ngữ cảnh và chỉ thao tác ở vùng xung quanh trơn mịn. Các điểm bụi được lấp bằng LaMa, một mô hình vá ảnh (inpainting), với chi tiết sao chép ngược từ các vùng phim gần đó để miếng vá không bị nhòe.
Người dùng vẫn giữ quyền kiểm soát: một ngưỡng tùy chỉnh giữ lại các đốm nhiễu hạt để duyệt thủ công, phê duyệt hoặc từ chối từng điểm hay theo lô. Các thông số sáng, tương phản, nhiệt độ màu cũng được đưa vào tầm tay để chỉnh riêng từng ảnh.
Gắn thẻ và lưu trữ
Sau khi quét xong, Qwen3-VL chạy cục bộ qua Ollama sẽ xem từng khung hình hoàn chỉnh và soạn thẻ mô tả trong khoảng 5 giây. Kết hợp với dữ liệu máy ảnh, ống kính, ngày chụp và loại phim, người dùng có một thư viện ảnh dễ tìm kiếm.
Ảnh được đẩy lên kho lưu trữ R2 của Cloudflare theo thứ tự đã chọn, kèm thẻ mô tả. Giao diện xem ảnh mô phỏng cảm giác mở cuộn phim thật: một bàn nỉ bày các hộp phim dựng bằng three.js, mỗi hộp có nhãn thật và vết xước ngẫu nhiên. Kéo một hộp lên là dải phim tuôn ra, để lộ các khung hình, rồi rơi trở lại bàn.
Dự án mất 11 ngày với 64 lần commit. Thư viện hiện có 22 cuộn và 314 bức ảnh, tính từ năm 2020.
Góc nhìn
Câu chuyện cho thấy giá trị thực của AI trong các quy trình sáng tạo nằm ở phần xử lý lặp đi lặp lại, không phải ở chỗ thay thế con người. Việc đảo màu, phát hiện bụi và gắn thẻ đều là những bước có quy tắc rõ ràng, phù hợp để tự động hóa.
Với kỹ sư Việt Nam, đây là ví dụ đáng tham khảo về cách kết hợp mô hình chạy cục bộ với công cụ sẵn có. Chạy Qwen3-VL qua Ollama giúp tránh chi phí gọi API và giữ dữ liệu ảnh cá nhân ở lại trên máy.
Bài học về phần cứng cũng rõ ràng: khi để AI điều khiển thiết bị vật lý, cần giới hạn phạm vi và có cơ chế dừng khẩn cấp. Một lệnh sai hướng có thể làm hỏng thiết bị, còn chi phí sửa chữa thì không tự động hóa được.
Nguồn: shannadige.com · Quy trình biên tập


