Je participerai à la Cérémonie des Prix de la Fondation Mines-Télécom 2019 le mercredi 27 mars. Pour cette occasion, j’ai fait une vidéo résumant ma thèse en 3 minutes :
J’ai reçu le 3e prix de thèse lors de cette cérémonie :
Je tiens à remercier la fondation Mines-Télécom ainsi que le programme de financement de thèses Futur & Ruptures !
I’m giving a talk for the Young Researchers in Imaging Seminars, on
in Amphi Darboux at IHP.
Title: On the use of Gaussian models on patches for image denoising
Abstract: Some recent denoising methods are based on a statistical modeling of the image patches. In the literature, Gaussian models or Gaussian mixture models are the most widely used priors.
In this presentation, after introducing the statistical framework of patch-based image denoising, I will propose some clues to answer the following questions: Why are these Gaussian priors so widely used? What information do they encode?
In the second part, I will present a mixture model for noisy patches adapted to the high dimension of the patch space. This results in a denoising algorithm only based on statistical tools, which achieves state-of-the-art performance.
Finally, I will discuss the limitations and some developments of the proposed method.
Continuer la lecture de Young Researchers in Imaging Seminars
Abstract: In this work, we consider an additive white Gaussian noise (AWGN) model on the image patches in the context of patch-based image denoising. From this, we propose a derivation of the induced models on the centered patch of noise and on the DC component of the noise. These models allow us to treat separately the two component. We provides experiments with the HDMI method [pdf] that lead to denoising quality improvements, particularly for residual low frequency noise.
More… first color experiments came up! For images with many constant areas and few textured parts the results are extremely positive, for instance, the improvement for the image dice with a noise of standard deviation 50/255, is up to 0.25dB. The final result is even better than the recent deep learning method FFDNet.
Je présenterai mes travaux de thèse lors de la journée de restitution du programme Futur & Ruptures le Jeudi 31 janvier 2019 à Télécom ParisTech, Paris 13e.
Présentation : présentation Futur et Ruptures ou sur le site de l’IMT
Pour plus d’expériences et d’informations sur la méthode HDMI ici.
Je présenterai mes travaux lors du Séminaire Images Optimisation et Probabilités de l’Institut de Mathématiques de Bordeaux le
jeudi 11 novembre 2018 à 11h
Résumé : Dans la littérature du débruitage d’image par patchs, de nombreuses méthodes utilisent une modélisation statistique des patch. Les modèles a priori généralement utilisés sont des modèles gaussiens ou de mélange de gaussiennes.
Dans cet exposé, après avoir brièvement introduit le cadre statistique, je proposerai quelques indices pour répondre aux questions suivantes : Pourquoi ces a priori gaussiens sont-ils largement utilisés ? Quelles informations encodent-ils ?
La seconde partie propose un modèle probabiliste de mélange pour les patchs bruités adapté à la grande dimension. Il en résulte un algorithme de débruitage reposant uniquement sur des estimations statistiques, qui atteint les performances de l’état-de-l’art.
Enfin, je discuterai des limitations et des développements possibles de la méthode proposée.
I’m presenting the HDMI model and my PhD work at the Imaging in Paris seminar on
November 8, 2018 (14h-15h)
room 235A, 29 rue de l’Ulm.
Je soutiendrai publiquement mes travaux de thèse intitulés
dirigés par Monsieur Andrés ALMANSA et Madame Julie DELON
le vendredi 12 octobre 2018 à 13h00
Salle du conseil,
Laboratoire MAP5 Université Paris Descartes,
45 rue des Saints Pères, 75006 Paris
Comment s’y rendre ?
Composition du jury
| M. Andrés ALMANSA | Université Paris Descartes | Directeur de thèse | ||
| M. Nicolas PAPADAKIS | Université de Bordeaux | Rapporteur | ||
| M. Mario FIGUEIREDO | Instituto Superior Técnico | Rapporteur | ||
| Mme Julie DELON | Université Paris Descartes | Directrice de thèse | ||
| Mme Anne PHILIPPE | Université de Nantes | Examinatrice | ||
| M. Charles BOUVEYRON | Université Côte d’Azur | Examinateur | ||
| M. Erwan LE PENNEC | École Polytechnique | Examinateur | ||
| M. Arthur LECLAIRE | Université de Bordeaux | Examinateur |
| Résumé : |
|
Cette thèse s’inscrit dans le contexte des méthodes non locales pour le traitement d’images et a pour application principale le débruitage, bien que les méthodes étudiées soient suffisamment génériques pour être applicables à d’autres problèmes inverses en imagerie. Les images naturelles sont constituées de structures redondantes, et cette redondance peut être exploitée à des fins de restauration. Une manière classique d’exploiter cette auto-similarité est de découper l’image en patchs. Ces derniers peuvent ensuite être regroupés, comparés et filtrés ensemble. Dans le premier chapitre, le principe du « global denoising » est reformulé avec le formalisme classique de l’estimation diagonale et son comportement asymptotique est étudié dans le cas oracle. Des conditions précises à la fois sur l’image et sur le filtre global sont introduites pour assurer et quantifier la convergence. Le deuxième chapitre est consacré à l’étude d’a priori gaussiens ou de type mélange de gaussiennes pour le débruitage d’images par patches. Ces a priori sont largement utilisés pour la restauration d’image. Nous proposons ici quelques indices pour répondre aux questions suivantes : Pourquoi ces a priori sont-ils si largement utilisés ? Quelles informations encodent-ils ? Le troisième chapitre propose un modèle probabiliste de mélange pour les patchs bruités, adapté à la grande dimension. Il en résulte un algorithme de débruitage qui atteint les performances de l’état-de-l’art. Le dernier chapitre explore des pistes d’agrégation différentes et propose une écriture de l’étape d’agrégation sous la forme d’un problème de moindre carrés.
|
| Abstract : |
|
This thesis studies non-local methods for image processing, and their application to various tasks such as denoising. Natural images contain redundant structures, and this property can be used for restoration purposes. A common way to consider this self-similarity is to separate the image into patches. These patches can then be grouped, compared and filtered together. In the first chapter, global denoising is reframed in the classical formalism of diagonal estimation and its asymptotic behaviour is studied in the oracle case. Precise conditions on both the image and the global filter are introduced to ensure and quantify convergence. The second chapter is dedicated to the study of Gaussian priors for patch-based image denoising. Such priors are widely used for image restoration. We propose some ideas to answer the following questions: Why are Gaussian priors so widely used? What information do they encode about the image? The third chapter proposes a probabilistic high-dimensional mixture model on the noisy patches. This model adopts a sparse modeling which assumes that the data lie on group-specific subspaces of low dimensionalities. This yields a denoising algorithm that demonstrates state-of-the-art performance. The last chapter explores different way of aggregating the patches together. A framework that expresses the patch aggregation in the form of a least squares problem is proposed. |
Je présente mon travail au séminaire des doctorants du groupe IMAGES du LTCI.
Vendredi 29 juin 2018 à 16h.
I presented a talk on June the 21st, 2018 :
during the MixStatSeq workshop.
The slides of the talk can be found here.
I’m presenting the following poster at SIAM IS18 (June 5-8, 2018):
More information about the HDMI method for image denoising here.
I received the 3rd best poster award for this poster!