Annonce

Les commentaires sont clos.

Super-Résolution à partir d’images multiples par apprentissage profond (TI + IA)

2 Novembre 2022


Catégorie : Stagiaire


Profil attendu : Ecole d’ingénieur 3 ème année (Bac+5) ou Master 2 (éventuellement 2ème année / Master 1)
Compétences requises : Traitement des Images, Deep Learning (réseau convolutionnel, résidus, etc.)
Durée du stage : 6 mois
Début du stage : février/mars/avril 2023

 

Lors de l’acquisition d’un flux vidéo, différentes images peuvent être capturées avec des positions relatives décalées d’une valeur non-entière de pixels. Grâce à cela, une accumulation suffisante d’images décalées permet de deviner les valeurs cachées d’une image de la même scène en plus haute résolution. Pour faciliter la reconstruction de ces valeurs, les images que nous considèrerons dans ce stage sont celles d’une matrice de points noirs et blancs régulière et munie d’amers d’alignements.

Des algorithmes de reconstruction algorithmiques classiques existent pour traiter ce type de problème, avec des succès limités. Des méthodes par apprentissage profond ont été mises en œuvre avec succès pour augmenter la résolution d’une image, mais elles se basent principalement sur la régularité des images et sur des bases d’images de très grandes tailles. Les reconstructions produites sont agréables visuellement, mais ne recherchent pas forcément la vérité terrain. Dans ce stage, l’objet sera d’employer des outils d’apprentissage profond pour obtenir une augmentation de résolution précise et la plus exacte possible.

Des opportunités de poursuivre ce travail ou un autre sujet par un Doctorat sont envisageables à travers un financement CIFRE.

Profil attendu : Ecole d’ingénieur 3 ème année (Bac+5) ou Master 2 (éventuellement 2ème année / Master 1)
Compétences requises : Traitement des Images, Deep Learning (réseau convolutionnel, résidus, etc.)
Durée du stage : 6 mois
Début du stage : février/mars/avril 2023

Détails (lieu/contact du stage, candidatures, etc.) :
http://www-ia.lip6.fr/~sahbi/StageA.pdf