Search

Depuis l'avènement des réseaux de neurones convolutifs, les algorithmes de transfert de style entre images se sont considérablement améliorés. Cependant, ces méthodes requièrent souvent un temps d'apprentissage relativement long. Pour cette raison, des approches de traitement d'images sans apprentissage, utilisant des algorithmes à « patchs », ont récemment été proposées, cherchant à rivaliser esthétiquement avec les méthodes neuronales. Nous proposons ici une avancée dans cette direction, en introduisant une nouvelle méthode de transfert de style qui utilise une version contrainte et multi-échelle de l'algorithme de mise en correspondance de patchs PatchMatch, de manière à privilégier un échantillonnage uniforme des patchs de caractéristiques du style à différentes résolutions. Notre méthode permet par ailleurs d'associer avantageusement les paradigmes des méthodes à patchs et des réseaux de neurones en combinant la projection de patchs de couleurs selon la métrique de l'espace perceptuel défini par un réseau de neurones.

Notre travail propose une approche originale pour le transfert de plusieurs styles. Nous utilisons deux architectures modulaires, légères et complémentaires de réseaux neuronaux permettant chacune de transférer les caractéristiques d'une image de style à une échelle donnée. Ainsi, nous permettons, par assemblage, la combinaison de structures larges d'une première image de style avec les détails fins d'une seconde image de style. Ce problème est à distinguer du principe de mélange de styles qui fusionne les styles à différentes échelles sans en préserver les caractéristiques individuelles.

La stéréophotométrie est une technique de reconstruction 3D de la surface d'un objet, à partir de plusieurs images de celui-ci, prises du même point de vue mais avec différents angles d'éclairage. Dans cet article, une revue des méthodes récentes de stéréphotométrie est d'abord proposée. Dans un second temps, nous définissons un ensemble de contraintes à suivre pour la génération d'un jeu de données d'apprentissage pertinent, utilisable pour l'apprentissage de réseaux de neurones convolutionnels dédiés à la stéréophotométrie. Nous illustrons l'importance de la variabilité de ce jeu de données, avec des exemples comparatifs de reconstruction de champs de normales.

International audience; Les algorithmes de Super-Résolution (SR) pour le traitement d’images ont beaucoup progressé ces dernières années. L’utilisation de réseaux convolutifs profonds fournit actuellement les résultats les plus impressionnants. Cependant, très peu de ces techniques sont utilisées en pratique dans des logiciels d’infographie, du fait de pré-requis techniques importants (taille des réseaux en mémoire, calculs nécessitant des GPUs), mais aussi parce que l’utilisateur n’a que très peu de contrôle sur le résultat généré. Pour pallier ces problèmes, nous proposons une approche de super-résolution en deux temps, baptisée 'Super-Résolution stylisée ', qui repose sur une architecture multi-échelle composée de branches convolutives parallèles et indépendantes pour la génération d’images. Notre contribution est ainsi double, avec la description : i. d’un réseau léger inspiré des méthodes de filtrage classiques de traitement d’images, facilement utilisable sur des systèmes sans GPU et à capacité mémoire limitée ; ii. d’un réseau polyvalent et personnalisable, autorisant un contrôle fin de la stylisation du rendu.

International audience

National audience; Les algorithmes de Super-Résolution (SR) pour le traitement d’images ont beaucoup progressé ces dernières années. L’utilisation de réseaux convolutifs profonds fournit actuellement les résultats les plus impressionnants. Cependant, tr`es peu de ces techniques sont utilisées en pratique dans des logiciels d’infographie, du fait de pré-requis tech- niques importants (taille des réseaux en mémoire, calculs nécessitant des GPUs), mais aussi parce que l’utilisateur n’a que tr`es peu de contrôle sur le résultat généré. Pour pallier ces problèmes, nous proposons une approche de super-résolution en deux temps, baptisée Super-Résolution stylisée , qui repose sur une architecture multi-échelle composée de branches convolutives parallèles et indépendantes pour la génération d’images. Notre contribution est ainsi double, avec la description : i. d’un réseau léger inspiré des méthodes de filtrage classiques de traitement d’images, facilement utilisable sur des systèmessans GPU et à capacité mémoire limitée ; ii. d’un réseau polyvalent et personnalisable, autorisant un contrôle fin de la stylisation du rendu.

National audience; Les CLUTs 3D (Color Look Up Tables) sont des modèles numériques très utilisés en traitement d'images et de vidéos, pour l'étalonnage couleur, la simulation de films argentiques, et plus généralement pour l'application de transformées colorimétriques quelconques. La dimension élevée de ces modèles pose des problèmes de stockage, lorsque l'on cherche à les distribuer à grande échelle. Nous proposons ici une technique de compression (avec perte) très efficace de CLUTs 3D, fondée sur un schéma de reconstruction par diffusion anisotrope multi-échelle. Notre méthode affiche un taux de compression moyen supérieur à 99%, pour une dégradation résultante visuellement indiscernable. Abstract-3D CLUTs (Color Look Up Tables) are popular digital models used in image and video processing for color grading, simulation of analog films, and more generally for the application of various color transformations. The large size of these models leads to data storage issues when trying to distribute them on a large scale. Here, a highly effective lossy compression technique for 3D CLUTs is proposed. It is based on a multi-scale anisotropic diffusion scheme. Our method exhibits an average compression rate of more than 99%, while ensuring visually indistinguishable differences with the application of the original CLUTs.

We present a fast and efficient algorithm for the semi-supervised colorization of line-art images (e.g. hand-made cartoons), based on two successive steps: 1. A geometric analysis of the stroke contours, and their closing by splines/segments, and 2. A colorization step based on the filling of the corresponding connected components, either with random colors or by extrapolating user-defined color scribbles. Our processing technique performs image colorization with a similar quality as previous state of the arts algorithms, while having a lower algorithmic complexity, leading to more possible user interactivity., Vision, Modeling and Visualization, Rendering, 1, 9, Sébastien Fourey, David Tschumperlé, and David Revoy, CCS Concepts: Computing methodologies --> Image processing; Non-photorealistic rendering; Shape analysis