Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

22 décembre 2017

Colorisation d'images par réseaux de neurones régularisés


Catégorie : Stagiaire


Stage Master ou fin d'études dans l'équipe Magrit (Nancy, INRIA Nancy Grand Est, LORIA)

Colorisation d'images par réseaux de neurones régularisés

L'objectif de ce stage est d'implémenter une méthode de colorisation d'images basée-exemple utilisant les réseaux de neurones et une approche variationnelle. Il comportera une partie bibliographique et une partie développement en Matlab (éventuellement C/C++).

Contact : fabien.pierre@loria.fr, Marie-odile.berger@loria.fr

 

Les réseaux de neurones convolutionnels forment une classe de méthodes statistiques permettant d'inférer en un pixel une donnée à partir des valeurs de l'image. La colorisation d'image consiste à calculer une couleur en chaque pixel d'une image en niveau de gris. Cette couleur peut être prédite, dans le cas de la colorisation basée-exemple grâce à l'information que l'on peut tirer d'une image de référence en couleur. Une telle méthode a été proposée dans l'article "Colorful image colorization'' de Richard Zhang, Phillip Isola, et Alexei A Efros (Siggraph 2017).

La régularisation de l'image est nécessaire pour obtenir un résultat cohérent et réaliste. Une méthode variationnelle permettant cela a été proposée dans la littérature, dans l'article "Luminance-chrominance model for image colorization'' de Fabien Pierre, Jean-François Aujol, Aurélie Bugeau, Nicolas Papadakis, et Vinh-Thong Ta.

Le but de ce stage sera d'utiliser un réseau de neurones convolutionnel pour obtenir différents résultats de colorisation qui seront ensuite fusionnés grâce à une méthode variationnelle adaptée. On étudiera également la possibilité d'utiliser les champs aléatoires conditionnels comme dans l'article "Learning arbitrary pairwise potentials in crfs for semantic segmentation'' de Måns Larsson, Anurag Arnab, Fredrik Kahl, Shuai Zheng, et Philip Torr (EMMCVPR 2017).

Plus d'information :

http://magrit.loria.fr/Positions/Sujets2018/CNN_regularise.pdf

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.