Édition d'Attributs d'Images et Rendu de Grain Argentique à l'aide de Réseaux de Neurones Profonds

Cette thèse est divisée en 6 chapitres. Le premier est consacré à l'introduction de sujets connexes. En particulier, nous présentons l'édition d'images et certaines de ses tâches, tout en donnant du contexte et des motivations. Nous soulignons également nos contributions sous forme de publications et de présentations lors de colloques et de conférences. Le deuxième chapitre de cette thèse discute de travaux existants sur la génération d'images et leurs applications. Ce vaste sujet inclut les méthodes de synthèse d'images mais est également lié à des notions telles que le désenchevêtrement et l'édition d'images en général. Nous présentons d'abord tous les paradigmes de génération d'images neuronaux ainsi que leurs variantes les plus connues. Ensuite, le désenchevêtrement est défini et discuté. Enfin, nous présenterons plusieurs méthodes d'édition qui tirent parti de la puissance des modèles génératifs. Le troisième chapitre se concentre sur notre première contribution. Nous proposons une méthode pour éditer des images de visages via des déplacements dans l'espace latent d'un modèle génératif de type style. Ce type de modèle génératif est apparu avec StyleGAN et peut être vu comme un générateur avec un espace latent ne suivant aucune distribution a priori. En particulier, nous proposons une approche pour compresser cet espace, en gardant le minimum d'information nécessaire, via une ACP. À partir de cet espace compressé, nous entraînons un réseau neuronal pour le transformer en un nouvel espace latent où une structure est imposée, afin de le rendre sémantiquement interprétable. Chaque axe de notre nouvel espace latent est associé à un attribut spécifique de l'image. De cette manière, l'édition de l'image peut être faite facilement en modifiant seulement une dimension de notre nouvel espace latent, établissant un parallèle avec l'idée de curseurs contrôlant la sémantique de l'image synthétisée. Afin de démontrer la pertinence de notre travail, plusieurs évaluations qualitatives et quantitatives sont réalisées et présentées. Nous montrons notamment que notre approche peut être utilisée non seulement pour l'édition d'attributs, mais aussi pour contraindre la sémantique générée lors de la résolution de problèmes inverses. La partie suivante de ce travail (chapitre 4) comprend une brève explication de ce qu'est le grain argentique et de son phénomène physique. Ensuite, nous présentons et catégorisons plusieurs méthodes et modèles qui visent à rendre cet aspect typique des films analogiques. Ce chapitre est complété par une revue de la synthèse de texture et du transfert de style puisque notre deuxième contribution s'inspire de techniques développées dans ces domaines de recherche. Dans le chapitre 5, nous présentons une approche d'apprentissage profond pour rendre du grain argentique. Cette seconde contribution est un réseau neuronal qui approxime les résultats d'un modèle basé sur la physique tout en l'accélérant considérablement. Nous décrivons tout d'abord notre architecture et sa fonction de coût, en établissant des similitudes avec des méthodes de transfert de style. En particulier, nous tirons parti des travaux ayant introduit l'adaptive instance normalisation et rendons notre réseau dépendant de la taille du grain, un paramètre physique qui influence fortement l'aspect final de l'image. En outre, ce réseau est conçu pour être aussi léger que possible, afin d'offrir un temps d'inférence plus court. Nous veillons également à obtenir des sorties stochastiques, ce qui est un élément clé du grain argentique. Ensuite, nous fournissons des études et des mesures sur les performances de notre approche, permettant une comparaison avec d'autres méthodes et montrant que notre travail offre le meilleur compromis entre qualité et rapidité. Enfin, dans le dernier chapitre de cette thèse, nous concluons sur nos contributions et présentons des perspectives potentielles à ces travaux.