Machine learning methods for noise detection in computer generated images
Méthodes d'apprentissage automatique pour la prise en compte du bruit dans les images de synthèse
Résumé
Lighting simulation methods, used in image synthesis, make it possible to obtain so-called photorealistic views of 3D virtual environments. To do this, they use stochastic methods, based on the theory of large numbers, which explore the space of light paths and are characterised by a progressive convergence of the image towards the solution. This progressiveness is visually expressed by the presence of noise, which is gradually reduced as the calculations progress. This noise must be identified and quantified in order to have perceptual criteria for stopping the algorithms in the different areas of the image. This is all the more important as the calculation time for an image can be counted in hours or even tens of hours. Having reliable criteria to stop the calculations at different points of an image would therefore allow significant time savings. In this thesis, we propose to use statistical and machine learning methods for the reduction and detection of this generated noise. The contributions made in the framework of this thesis are: (i) the constitution of a base of synthetic images with the collection of human subjective thresholds of the residual noise, (ii) the study and management of a highly perceptible local noise, (iii) the creation of deep learning models on this base of labelled images and (iv) a phase of validation of the reconstructed images obtained (learned or not) from the models of perception from subjective evaluations. Related work to the thesis research area, notably concerning the management of a specific noise in images called firefly, has been proposed, as well as the application of a method allowing the targeting of the noise characteristics studied.
Les méthodes de simulation de l'éclairage, utilisées en synthèse d'images, permettent d'obtenir des vues dites photo-réalistes d'environnements virtuels 3D. Pour ce faire, elles utilisent des méthodes stochastiques, s'appuyant sur la théorie des grands nombres, qui explorent l'espace des chemins lumineux et se caractérisent par une convergence progressive de l'image vers la solution. Cette progressivité se traduit visuellement par la présence de bruit, qui se résorbe progressivement au fur et à mesure de l'avancée des calculs. Ce bruit doit être identifié et quantifié, afin de disposer de critères perceptifs permettant d'arrêter les algorithmes dans les différentes zones de l'image. Ceci est d'autant plus important que les temps de calcul d'une image se comptent en heures, voire en dizaines d'heures de calcul. Disposer de critères fiables pour arrêter les calculs en différents points d'une image permettrait donc de réaliser des gains de temps importants. Dans cette thèse, nous proposons d'utiliser des méthodes statistiques et d'apprentissage automatique pour la réduction et détection de ce bruit généré. Les contributions réalisées dans le cadre de cette thèse sont : (i) la constitution d'une base d'images de synthèse avec recueil de seuils subjectifs humains du bruit résiduel, (ii) l'étude et la gestion d'un bruit local hautement perceptible, (iii) la création de modèles d'apprentissage profond sur cette base d'images étiquetées et (iv) une phase de validation des images reconstruites obtenues (apprises ou non) à partir des modèles de perception à partir d'évaluations subjectives. Des travaux connexes à la thématique de la thèse, notamment relatifs à la gestion d'un bruit spécifique dans les images nommé firefly, ont été proposés, tout comme l'application d'une méthode permettant de cibler les caractéristiques de bruit étudiées.
Origine : Fichiers produits par l'(les) auteur(s)