Modèles variationnels et stochastiques pour la complétion d’images

Mardi 24 janvier 2017 14:00-15:00 - Arthur Leclaire - ENS Cachan

Résumé : La complétion d’images, ou inpainting, consiste à combler des zones manquantes d’une image de façon à ce que le contenu généré se fonde naturellement dans le reste de l’image. Plusieurs méthodes variationnelles et stochastiques ont été proposées pour résoudre ce problème (qui peut se comprendre comme un prolongement de fonctions).
Les premières consistent à résoudre un problème d’optimisation dans lequel intervient un terme de régularité (norme H^1, TV, courbure des lignes de niveau, ou autres). Ces méthodes parviennent à prolonger le contenu géométrique de l’image mais ne restituent pas le contenu textural. Ce type de contenu est mieux géré par les méthodes stochastiques, qui cherchent à échantillonner un modèle aléatoire estimé sur le reste de l’image. Enfin, des méthodes hybrides donnent de très bons résultats sur une large classe d’images naturelles, et fournissent les solutions implémentées dans les logiciels grand public.
Dans cet exposé, on présentera plusieurs modèles célèbres pour la complétion d’images. Dans une première partie, on donnera une présentation brève de plusieurs modèles variationnels, des premiers modèles simples (H^1, TV) au modèle hybride d’Arias et al (qui exploite les redondances locales présentes dans l’image). Dans une deuxième partie, on donnera une présentation plus détaillée d’un algorithme stochastique basé sur la synthèse conditionnelle d’un champ gaussien. Dans chaque cas, on étudiera l’existence de solutions ainsi que leurs propriétés, et on montrera des résultats visuels.

Lieu : Salle 113-115 (Bâtiment 425)

Modèles variationnels et stochastiques pour la complétion d’images  Version PDF