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.
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!
An enhanced version of the paper High-Dimensional Mixture Models For Unsupervised Image Denoising (HDMI) is online. This version include new experiments with color images!
Noisy image![]() |
Clustering from HDMI![]() |
Denoised with HDMI![]() |
Je présente le modèle HDMI au séminaire doctorant du LAMFA à Amiens mardi 24 octobre.
Abstract: In this talk, we first present a statistical framework for patch-based image denoising. This framework requires the inference of statistical models in high dimensional spaces which leads to several challenges due to the curse of dimensionality. To tackle this, we propose a model with intrinsic dimensionality reduction which yields state-of-the-art results in image denoising.
Le GICS a l’honneur de vous inviter à la conférence de
Alain ASPECT
Membre de l’Académie des Sciences
Directeur de recherche au CNRS
Professeur à l’Institut d’Optique et à Polytechnique
Le 14 octobre 2017 à 14h30
ENS Paris-Saclay – Amphithéâtre Curie – RER B Bagneux
Entrée libre
Préinscrivez-vous ici
La conférence sera suivie d’un pot à partir de 16h00
I’m presenting a poster on the HDMI method for image denoising at GRETSI 2017 in Juan-les-Pins.
Click the preview for the high-resolution pdf version.
I’m presenting a talk about my latest resarch High-Dimensional Mixture Models for Unsupervised Image Denoising (HDMI) in the minisymposium Boosting and Learning in Mathematical Imaging Algorithms at the SIAM annual meeting 2017 in Pittsburgh, Pennsylvania.
You can find the slides of the presentation here.