Ngày 21/8/2026, công bố trên kho lưu trữ mở arXiv (mã số 2608.19789) giới thiệu kiến trúc TT-Net, một mô hình ứng dụng mạng tensor (Tensor Network) lấy cảm hứng từ vật lý lượng tử vào các mạng đối nghịch tạo sinh có điều kiện (conditional GANs hay cGANs) nhằm tối ưu hoá khả năng khử nhiễu hình ảnh. Nghiên cứu này hướng tới việc kiểm chứng cách các công cụ toán học lượng tử có thể đóng vai trò như những bộ lọc đặc trưng thực tế cho các mô hình học sâu.
Mạng Tensor vốn được phát triển làm công cụ tính toán trọng yếu phục vụ mô phỏng cổ điển các thuật toán lượng tử cũng như các hệ vật lý nhiều hạt. Trong số các dạng mạng tensor khác nhau, cấu trúc Tensor Train — thường được cộng đồng điện toán lượng tử gọi là Matrix Product States — đã bắt đầu tìm được chỗ đứng trong học máy nhờ khả năng nén và biểu diễn ma trận hiệu quả. Trước đây, một số kiến trúc cGAN dùng cho tác vụ khử nhiễu đã tích hợp công cụ đại số tuyến tính là phân tích giá trị kỳ dị (SVD) dưới dạng phép phân rã đơn nhát (single-cut decomposition) áp dụng trực tiếp lên bản đồ đặc trưng (feature maps) của mạng sinh.
Hạn chế của phương pháp khử nhiễu bằng SVD truyền thống là việc xử lý diễn ra độc lập trên từng kênh đặc trưng, làm mất đi sự liên kết thông tin giữa các kênh. Để giải quyết rào cản này, TT-Net thay thế khối khử nhiễu SVD từng kênh bằng cấu trúc phân rã Tensor Train hai nhát cắt (two-cut tensor-train decomposition). Cải tiến này giúp mô hình có khả năng truy cập và khai thác trực tiếp thông tin liên kênh (cross-channel information), một năng lực mà các kiến trúc đương thời chưa sở hữu.
Trong thử nghiệm đối chứng có kiểm soát với cấu hình chỉ khác biệt ở cơ chế phân rã, TT-Net vượt trội hơn kiến trúc SVD-Net về cả hai chỉ số đo lường chất lượng hình ảnh là PSNR và SSIM trên toàn bộ 3 dạng nhiễu được kiểm tra: nhiễu Gaussian, mờ do chuyển động (motion blur) và nhiễu muối tiêu (salt-and-pepper). Đối với riêng tác vụ khử nhiễu Gaussian, TT-Net còn cho kết quả vượt qua hai phương pháp quen thuộc là EigenGAN và Pix2pix — mô hình tiêu chuẩn không áp dụng cũng như không lưu giữ thông tin từ các phép phân rã đại số tuyến tính.
Dù đạt hiệu năng tái tạo hình ảnh cao, nghiên cứu cũng chỉ ra một hiện tượng bất thường trong động lực học huấn luyện. Cụ thể, hàm mất mát đối kháng (adversarial loss) của TT-Net liên tục bão hòa và rơi vào trạng thái đình trệ trên cả 3 dạng nhiễu, biểu hiện rõ rệt hơn nhiều so với SVD-Net. Tuy nhiên, chất lượng tái tạo ảnh đầu ra vẫn tiếp tục gia tăng độc lập với sự đình trệ này. Nhóm tác giả nêu rõ đây là một câu hỏi mở về mức độ đóng góp thực tế của thành phần đối kháng trong cGAN khử nhiễu mà nghiên cứu này mới chỉ ghi nhận chứ chưa thể giải quyết trọn vẹn.