Objectif du cours

La minituriasation des capteurs et l’évolution des capacités computationnelles ont conduit à une omniprésence des images. Cependant, ces images ont besoin de post-traitements de plus en plus exigeants (filtrages, restaurations) afin de produire des résultats de bonne qualité. Au coeur de ces traitements se trouvent les modèles d’images, qui nous permettent d’établir des algorithmes de traitements performants. L’apprentissage profond est le dernier venu dans une longue liste de modèles d’images. Le but de ce cours est de mettre en perspective les techniques récentes basées sur l’apprentissage profond pour la qualité des images, par rapport aux méthodes pré-existantes. Nous explorerons pour cela de nombreuses applications telles que le débruitage, la super-résolution, le défloutage, la synthèse de textures et la génération des images naturelles. Dans chaque cas on présentera les points forts et les limitations des différentes techniques étudiées. En particulier, on s’attachera à analyser de manière critique les méthodes et parfois montrer les écueils dans lesquelles elles sont tombées.