Tổng quan nghiên cứu về việc sử dụng công cụ màu AI để dự đoán khả năng tái tạo màu khi in trên giấy không tráng phủ

Sự sai lệch màu sắc giữa màn hình hiển thị kỹ thuật số và bản in thực tế từ lâu đã là một điểm nghẽn cốt lõi trong ngành thiết kế và in ấn. Khi vật liệu in là các loại giấy không tráng phủ (uncoated paper) như giấy Fort hay giấy mỹ thuật, do bề mặt không được xử lý bằng lớp tráng phủ, hành vi thấm mực và tán xạ ánh sáng sẽ hoàn toàn khác biệt so với giấy tráng phủ. Điều này khiến việc dự đoán màu sắc trở nên khó khăn hơn nhiều, thường dẫn đến các lỗi lệch màu nghiêm trọng khó khắc phục giữa bản thiết kế và thành phẩm

Trong quy trình in ấn truyền thống, cấu hình màu ICC (ICC Profile) do Hiệp hội Màu sắc Quốc tế (International Color Consortium) thiết lập đóng vai trò là cơ chế xương sống cho việc chuyển đổi màu sắc giữa các thiết bị. Thông qua các phép ánh xạ toán học giữa không gian màu của thiết bị và không gian màu tiêu chuẩn (như Lab, CMYK), màn hình hiển thị, in kỹ thuật số và in offset truyền thống có thể đồng bộ hóa màu sắc trên mặt lý thuyết [1]. Tuy nhiên, bản chất của ICC Profile là một tập hợp các mô tả tĩnh dựa trên phép đo và phép nội suy. Khi đối mặt với cấu trúc sợi xốp của giấy không tráng phủ, sự chồng mực phi tuyến tính và biến động độ trắng của giấy, cơ chế này thường khó mô tả chính xác kết quả lên màu thực tế. Khoảng trống kỹ thuật này chính là điểm khởi đầu cho nghiên cứu của bài viết

Những năm gần đây, cùng với sự phát triển của học máy và mạng thần kinh sâu, ngành công nghiệp in ấn đã bắt đầu thử nghiệm xây dựng các công cụ dự đoán màu sắc theo hướng dữ liệu (data-driven). Bằng cách học hỏi từ hàng ngàn dữ liệu đối chiếu giữa "giá trị đầu vào kỹ thuật số và giá trị đo lường thực tế trên bản in", mô hình cố gắng mô phỏng hiệu ứng thấm mực (ink penetration) và loang mực (ink spread) trong sợi giấy, từ đó tạo ra kết quả duyệt màu trên màn hình (soft proofing) tức thì. Bài viết này sẽ hệ thống lại hướng tiếp cận mới mẻ này dưới dạng một tổng quan nghiên cứu, đồng thời phân tích các ưu điểm, hạn chế và ý nghĩa thực tiễn của nó so với cơ chế ICC truyền thống

Những đóng góp của bài viết này bao gồm:

1. Hệ thống hóa các phương pháp truyền thống trong dự đoán khả năng lên màu trên giấy không tráng phủ cùng các nút thắt vật lý và toán học của chúng

2. Phân tích nền tảng phương pháp luận, nhu cầu dữ liệu huấn luyện và đặc tính mô hình của các công cụ màu AI

3. Đánh giá độ tin cậy và điều kiện triển khai của giải pháp duyệt màu soft proofing dựa trên AI ở các giai đoạn trước thiết kế, trước khi in và giai đoạn in thử

4. Thảo luận về ý nghĩa thực tiễn và lộ trình triển khai khả thi của công nghệ này đối với các xưởng in vừa và nhỏ, đơn vị thiết kế và các thương hiệu tại Đài Loan

Khả năng áp dụng của quản lý màu ICC truyền thống trên giấy không tráng phủ ICC Profile thiết lập mối liên kết ánh xạ giữa đầu vào và đầu ra bằng cách đo gam màu của thiết bị và sử dụng bảng tra cứu (look-up table, LUT) hoặc các phép toán ma trận, đây là khung hạ tầng quản lý màu sắc được sử dụng phổ biến hiện nay. Bản thân tiêu chuẩn này nhấn mạnh việc trao đổi màu sắc độc lập với thiết bị (device-independent color) và xử lý vấn đề ánh xạ gam màu bằng nhiều mục đích kết xuất khác nhau (rendering intent) [1]. Đối với giấy tráng phủ, đặc tính quang học của bề mặt giấy ổn định, màu sắc hiển thị của mực chủ yếu là phản xạ bề mặt, nên ICC Profile thường cung cấp khả năng dự đoán màu sắc có thể chấp nhận được. Nhưng đối với giấy không tráng phủ, một phần mực thấm vào bên trong sợi giấy, khiến kết quả lên màu chịu ảnh hưởng đồng thời bởi phản xạ phổ, tán xạ thể tích và độ trắng của giấy, làm độ chính xác dự đoán của bảng LUT tĩnh giảm đi rõ rệt. Các tài liệu hiện có chủ yếu tập trung vào khung tiêu chuẩn và khả năng tương thích của ICC, trong khi việc đi sâu nghiên cứu cơ chế lên màu đặc thù của giấy không tráng phủ còn hạn chế. Phân tích của bài viết cho thấy có một sự xung đột mang tính cấu trúc giữa mục đích thiết kế ban đầu "phổ quát, tương thích cao" của cơ chế ICC và đặc tính "biến động lớn, phụ thuộc chất liệu" của giấy không tráng phủ, tạo khoảng trống cho các phương pháp mới can thiệp

Cơ chế vật lý và quang học của sự lên màu trên giấy không tráng phủ Do không được phủ lớp bột sắn hay canxi cacbonat (CaCO3), bề mặt giấy không tráng phủ được cấu thành từ các sợi xơ thô và các lỗ rỗng. Khi mực tiếp xúc với bề mặt giấy, các hiện tượng sau sẽ đồng thời xảy ra: (: ・1) Thấm sâu xuống phía dưới vào bên trong cấu trúc sợi giấy, ( ・2) Loang rộng theo chiều ngang dọc theo các sợi giấy tạo nên hiện tượng gọi là "dot gain" (gia tăng điểm trạm), ( ・3) Tán xạ đa hướng tại ranh giới tiếp xúc giữa sợi giấy và không khí, khiến độ bão hòa màu và độ tương phản bị suy giảm, làm tổng thể bản in có cảm giác tối và xám hơn. Thực tế ngành in đều nhận thức rõ hiện tượng này nhưng công cụ dự đoán định lượng lại rất hạn chế: mặc dù mô hình hiệu chỉnh Yule-Nielsen truyền thống đã cố gắng tính đến hiện tượng tán xạ quang học của giấy, nhưng đây vẫn chỉ là phương pháp điều chỉnh thông số mang tính kinh nghiệm, khó lòng xử lý được hành vi phi tuyến tính của toàn bộ gam màu. Nhóm nghiên cứu này đã hé lộ mức độ phức tạp về mặt vật lý khi lên màu trên giấy không tráng phủ, đồng thời chỉ ra nút thắt trong việc tham số hóa mô hình truyền thống. Phân tích của bài viết cho rằng đây chính là khâu mà phương pháp hướng dữ liệu có thể can thiệp, tiếp cận bằng hàm số phi tuyến tính đa chiều thay vì bị giới hạn bởi một số ít thông số vật lý có thể phân tích được

Sự trỗi dậy của dự đoán màu sắc hướng dữ liệu Cùng với sự gia tăng của tài nguyên tính toán và tự động hóa trong đo lường in ấn, ngành công nghiệp bắt đầu sử dụng các mô hình hồi quy học máy (random forest, gradient boosting) và học sâu (CNN, U-Net...) để học cách ánh xạ màu sắc từ một lượng lớn mẫu huấn luyện. So với phép nội suy bảng tra cứu của ICC, phương pháp này sở hữu khả năng thích ứng chất liệu và khớp phi tuyến mạnh mẽ hơn. Nhóm nghiên cứu này hiện vẫn đang ở giai đoạn đầu, các tài liệu bình duyệt được công bố công khai còn hạn chế, chủ yếu tồn tại dưới dạng báo cáo kỹ thuật và sách trắng của ngành. Phân tích của bài viết cho thấy thực trạng này đồng nghĩa với việc các doanh nghiệp khi áp dụng cần chú trọng hơn nữa vào tính giải thích được của mô hình, tính minh bạch của nguồn dữ liệu huấn luyện và khả năng tái lập của các phương pháp xác thực

Xác định khoảng trống nghiên cứu Tổng hợp từ ba nhóm tài liệu nêu trên, có thể nhận thấy: (: ・1) Khung ICC tuy ổn định nhưng khó xử lý biến động chất liệu; ・2) Các mô hình vật lý giúp xác định rõ cơ chế nhưng khó tham số hóa; ・3) Phương pháp AI đầy tiềm năng nhưng dữ liệu thực nghiệm và khả năng tái lập vẫn cần thời gian tích lũy. Bài viết này tập trung vào nhóm thứ ba, xem xét cách thức công cụ màu AI tạo ra bản duyệt màu trên màn hình (soft proofing) đáng tin cậy sau khi hấp thụ khối lượng lớn dữ liệu in ấn thực tế, từ đó đánh giá vai trò của nó trong quy trình làm việc từ khâu thiết kế đến in ấn

Cấu trúc cốt lõi của công cụ màu AI là học có giám sát (supervised learning): huấn luyện mô hình bằng các cặp dữ liệu ghép đôi gồm "ô màu đầu vào (hoặc giá trị CMYK) và giá trị đo lường thực tế trên bản in (như độ phản xạ phổ hoặc Lab)". Dữ liệu huấn luyện thường đến từ các bảng màu mục tiêu (như IT: ・8.7/4 hoặc EC I ・2009) được tạo ra bởi máy in thử hoặc máy in thực tế trong điều kiện được kiểm soát, sau đó sử dụng máy đo mật độ quang phổ hoặc thiết bị đo ảnh phổ để thu thập dữ liệu phổ

Về cấp độ mô hình, việc triển khai trong ngành thường áp dụng hai chiến lược: (: ・1) Mô hình hồi quy cấp độ ô màu (patch-level), khớp dữ liệu bằng cách coi mỗi ô màu là một mẫu độc lập; ・2) Mô hình tích chập hoặc mô hình tạo sinh cấp độ hình ảnh (image-level), học cách ánh xạ phi tuyến tính không gian của toàn bộ bức ảnh từ đầu vào đến đầu ra. Phương pháp sau có thể mô phỏng tốt hơn hiện tượng gia tăng điểm trạm và hiệu ứng lân cận (neighborhood effect), đóng vai trò đặc biệt quan trọng trong việc dự đoán các chi tiết tần số cao

Phân tích của bài viết nhận định sự khác biệt then chốt giữa công cụ màu AI và ICC nằm ở chỗ "học hỏi thay vì mô tả": ICC xây dựng một số lượng mẫu hạn chế thông qua đo lường thủ công rồi thực hiện phép nội suy, trong khi AI tiếp cận hàm số ẩn thông qua không gian tham số đa chiều. Phương pháp trước có thể gây ra sai lệch rõ rệt đối với các tổ hợp cặp màu chưa từng xuất hiện; phương pháp sau thường có khả năng ngoại suy mượt mà hơn trong vùng phủ dữ liệu, nhưng có thể tạo ra các kết quả phi vật lý khi vượt ra ngoài tập phân phối (out-of-distribution), do đó vẫn cần thận trọng khi xác định ranh giới áp dụng

Sự thấm mực (ink penetration) và loang mực (ink spread) của mực trên giấy không tráng phủ là hai cơ chế quang học độc lập nhưng có mối liên kết chặt chẽ với nhau: sự thấm mực làm giảm độ dày lớp mực trên bề mặt khiến độ bão hòa màu bị suy giảm; trong khi sự loang mực làm phóng đại diện tích trực quan của điểm trạm, khiến các tông màu trung tính và tối bị sẫm màu hơn. Trong mô hình AI, hai hiệu ứng này có thể được học ngầm ở cấp độ dữ liệu. Chỉ cần dữ liệu huấn luyện bao phủ đủ các loại giấy, các cách in chồng màu và các mức phần trăm điểm trạm khác nhau, mô hình có thể mô phỏng lại kết quả trực quan tương đương trong quá trình suy luận

Trong thực tế, nếu mô hình chỉ sử dụng Lab làm biến mục tiêu thì sẽ làm mất thông tin phổ, gây hạn chế nếu sau này cần đối chiếu hiện tượng dị sắc đồng phân (metamerism). Do đó, việc sử dụng độ phản xạ phổ làm tín hiệu giám sát đã trở thành một hướng đi thực nghiệm chặt chẽ hơn. Phân tích của bài viết cho thấy, giám sát cấp độ phổ so với giám sát cấp độ màu có thể xử lý ổn định hơn vấn đề dị sắc đồng phân dưới các nguồn sáng khác nhau, điều này đặc biệt quan trọng đối với tính nhất quán của màu sắc thương hiệu

Giá trị của duyệt màu trên màn hình (soft proofing) nằm ở việc "nhìn thấy trước thành phẩm trước khi đưa đi in". Giải pháp soft proofing dựa trên AI giúp hình ảnh hiển thị trên màn hình mô phỏng chân thực hơn khả năng lên màu thực tế trên giấy. Nhà thiết kế có thể giả lập hiệu ứng trực quan cuối cùng của loại giấy và mực cụ thể trên màn hình RGB, từ đó sớm điều chỉnh tông màu và tránh việc phải in lại

Việc tái định hình quy trình làm việc có thể được quan sát ở ba cấp độ:

・Giai đoạn thiết kế: Nhà thiết kế có thể chỉ định loại giấy mục tiêu và dòng máy in ngay khi xác nhận màu sắc thương hiệu, công cụ AI sẽ lập tức tạo ra màu sắc hiển thị mô phỏng tương ứng

・Giai đoạn trước khi in: Nhân viên chế bản (pre-press) sử dụng soft proofing dựa trên AI để thay thế một phần khâu in thử vật lý, giảm thiểu tiêu hao giấy, mực in và thời gian chạy máy

・Giai đoạn in thử: Bản in thử vật lý vẫn được sử dụng để xác nhận cuối cùng, nhưng khoảng cách giữa nó và hình ảnh hiển thị trên màn hình sẽ được thu hẹp đáng kể, giúp giảm chi phí trao đổi

Đối với các xưởng in vừa và nhỏ, rào cản đầu tiên khi triển khai công cụ màu AI là việc xây dựng dữ liệu huấn luyện: cần có môi trường đo lường được kiểm soát tốt (như máy đo mật độ quang phổ, điều kiện in ổn định) và tích lũy đủ dữ liệu về tổ hợp chất liệu giấy và màu mực. Các bước triển khai thực tế cụ thể bao gồm: sử dụng máy in kỹ thuật số hiện có kết hợp với bảng ghi nhận độ trắng và đặc tính bề mặt giấy để thiết lập cơ sở dữ liệu nội bộ theo từng giai đoạn, sau đó đánh giá tính khả thi của việc tích hợp các mô hình được huấn luyện trước. Về mặt chi phí, soft proofing dựa trên AI giúp giảm thiểu lượng giấy in thử và mực tiêu thụ, dự kiến sẽ thu hồi vốn đầu tư ban đầu trong các dự án có tỷ lệ in lại cao

Đối với đơn vị thiết kế, sự thay đổi mang tính cốt lõi nằm ở khái niệm "thiết kế nhận thức chất liệu giấy": nhà thiết kế có thể xem trước ảnh hưởng của các loại giấy khác nhau đối với màu sắc thương hiệu ngay từ giai đoạn đầu thiết kế, từ đó lựa chọn loại giấy và phương pháp gia công tối ưu nhất cho màu sắc thương hiệu, thay vì bị buộc phải thỏa hiệp sau khi đã gửi đi in. Điều này giúp nâng cao tính nhất quán trực quan của thương hiệu và giảm thiểu việc trao đổi qua lại với bên xưởng in

Đối với các chủ sở hữu thương hiệu, giải pháp soft proofing dựa trên AI giúp việc quản lý màu sắc thương hiệu (brand color management) chuyển dịch từ "hiệu chỉnh sau sự việc" thành "ra quyết định trước sự việc". Điều này có thể kết hợp với cẩm nang thương hiệu (brand guideline) để thiết lập các quy tắc biến thể màu sắc tương ứng với từng loại giấy, làm giảm thiểu hiện tượng lệch màu giữa các nhà in và giữa các chất liệu khác nhau

Bài viết này hệ thống lại hướng tiếp cận của công cụ màu AI đối với việc dự đoán khả năng lên màu trên giấy không tráng phủ, đồng thời chỉ ra các ưu thế của nó so với khung ICC và các mô hình vật lý truyền thống: sử dụng hàm số phi tuyến tính hướng dữ liệu để mô phỏng hiệu ứng thấm và loang của mực, mang lại hình ảnh mô phỏng trên màn hình với độ chân thực cao hơn trong các kịch bản soft proofing. Đối với ngành công nghiệp tại Đài Loan, công nghệ này cung cấp một lộ trình thực tế cho cả ba bên thiết kế, in ấn và thương hiệu nhằm giảm thiểu tỷ lệ in lại và đẩy nhanh chu kỳ ra quyết định

Hạn chế của nghiên cứu này bao gồm:

1. Tài liệu bình duyệt có thể trích dẫn còn tương đối hạn chế, các bằng chứng thực tế được công bố hiện nay phần lớn đến từ các báo cáo kỹ thuật và sách trắng của ngành. Do đó, các số liệu về độ chính xác (như mức độ cải thiện ΔE2000) vẫn phải dựa trên dữ liệu công khai của từng nhà cung cấp hệ thống cụ thể, cần thận trọng khi tiến hành ngoại suy

2. Khả năng ngoại suy chất liệu của mô hình bị giới hạn bởi phạm vi phân phối của dữ liệu huấn luyện. Khi đối mặt với các loại giấy hiếm hoặc mực in đặc biệt, kết quả có thể sai lệch so với thực tế; việc triển khai trong ngành đòi hỏi phải đi kèm việc xác định rõ ràng "phạm vi áp dụng đã biết"

Các nghiên cứu tiếp theo có thể được thúc đẩy theo ba hướng chính: (: ・1) Xây dựng tập dữ liệu tiêu chuẩn cấp độ phổ được bình duyệt để so sánh công bằng giữa các mô hình khác nhau; ・2) Phát triển các công cụ giải thích mô hình nhằm làm rõ dự đoán AI có thể thất bại ở những vùng biên gam màu nào; ・3) Khám phá khả năng mở rộng của dự đoán AI trong các kỹ thuật in ấn đặc biệt (như mực kim loại, mực huỳnh quang)

Công cụ màu AI sử dụng học có giám sát từ lượng lớn dữ liệu đo lường in ấn thực tế để mô phỏng hiệu ứng thấm và loang của mực trên giấy không tráng phủ, mang lại bản duyệt màu trên màn hình (soft proofing) chân thực hơn so với ICC Profile

Tín hiệu giám sát cấp độ phổ vượt trội hơn tín hiệu cấp độ Lab, giúp xử lý vấn đề dị sắc đồng phân ổn định hơn, điều này đặc biệt then chốt cho sự nhất quán màu sắc của thương hiệu

Soft proofing bằng AI không nhằm thay thế hoàn toàn in thử vật lý, mà chuyển dịch vai trò của in thử từ "xác thực" sang "phê duyệt cuối cùng", từ đó giảm thiểu chi phí in thử lặp đi lặp lại

Rào cản triển khai đối với các xưởng in vừa và nhỏ ở Đài Loan chủ yếu nằm ở khâu xây dựng dữ liệu huấn luyện và thiết bị đo lường; trong khi phía thiết kế cần hình thành thói quen làm việc theo định hướng "thiết kế nhận thức chất liệu giấy"

Trong các tình huống nằm ngoài tập phân phối (chất liệu giấy hiếm, mực in đặc biệt), mô hình có thể tạo ra các kết quả phi vật lý, đòi hỏi phải xác định rõ phạm vi áp dụng và kết hợp với việc phê duyệt bản in thử vật lý

Đối với bên sản xuất in ấn, công cụ màu AI có thể được tích hợp làm mô-đun giả lập màu của đầu kỹ thuật số (digital front-end, DFE), tuy nhiên giá trị của nó phụ thuộc vào độ rộng và tính đại diện của dữ liệu huấn luyện. Đối với bên thiết kế và thương hiệu, điểm mấu chốt nằm ở việc chuyển dịch "chất liệu giấy" từ một biến số vốn chỉ biết sau khi gửi in trở thành một tham số có thể thiết lập ngay từ đầu giai đoạn thiết kế. Đối với các nhà cung cấp công cụ và giải pháp SaaS, có thể cân nhắc phát triển "nền tảng quản lý màu sắc thương hiệu nhận thức chất liệu giấy", tích hợp tính năng xem trước độ trắng của giấy, loại mực in và công đoạn gia công sau in, giúp việc quản lý màu thương hiệu mở rộng từ một máy in, một xưởng in đơn lẻ thành một hệ thống nhất quán xuyên suốt nhiều nhà in và chất liệu khác nhau. Những vấn đề cần giải quyết bao gồm: làm thế nào để xây dựng mô hình đáng tin cậy với các mẫu thử hạn chế, và làm thế nào để chia sẻ dữ liệu huấn luyện mà không làm rò rỉ bí mật quy trình sản xuất

[1] Nhóm công tác về cấu hình tương thích xác thực đa yếu tố (2016). Điều lệ của Nhóm công tác về cấu hình xác thực danh tính mạnh. DOI: 10.26869/ti.42.1