Philippe Carré 

Modélisation de textures par signal monogène : évolution de la stratégie de calcul et structure Deep

Dans la continuité de l’exposé « Modélisation de textures : Champs browniens fractionnaires et signal monogène », ce travail collégial mené avec Hermine Biermé, Claire Launay et Céline Lacaux propose de poursuivre l’analyse de la qualité des estimateurs, basés signal monogène, des paramètres de Hurst et de l’anisotropie.

Plus précisément, nous étudions dans un premier temps la manière dont cette approche d’analyse fondée sur un schéma sans apprentissage mais par modélisation se positionne par rapport aux techniques modernes fondées sur les données, telles que les réseaux de neurones. Pour cela, nous déployons différentes architectures neuronales de régression visant à estimer les deux paramètres : H (le paramètre de Hurst) et l’anisotropie. Nous discuterons des choix d’architecture, des stratégies d’apprentissage, ainsi que de la qualité des résultats obtenus, en tenant compte du coût computationnel par rapport à notre stratégie monogène.

Dans un second temps, nous revisiterons notre schéma de calcul du signal monogène en introduisant une véritable décomposition orthogonale anisotropique 2D en ondelettes, s’appuyant sur des schémas de projection en quinconce. Nous analyserons alors la qualité des estimateurs associés, en lien avec cet algorithme de calcul novateur du signal monogène.

---

Agnès Desolneux

Reconstruction d’un champ gaussien à partir d’un ensemble d’excursion 

Dans cet exposé je parlerai d’un travail en cours avec Hermine dans lequel on cherche à inférer un champ gaussien stationnaire à partir de la seule observation d’un ensemble d’excursion, dont on ne connait ni la covariance, ni le niveau.

---

---

---

Anne Estrade

Inférence statistique pour des champs aléatoires basée sur des caractéristiques géométriques

Dans cet exposé, je présenterai quelques exemples de situations où l’étude des caractéristiques géométriques des ensembles d’excursion de champs aléatoires, gaussiens ou pas, permet d’établir une méthodologie de type inférence statistique. Je commencerai par un survol des notions et des résultats issus de la géométrie stochastique qui sous-tendent cette méthodologie, en particulier la notion de Lipchitz-Killing Curvatures et la Gaussian Kinematic Formula. Il s’agira d’un exposé de type review reposant sur plusieurs travaux, estampillés MISTIC pour la plupart d’entre eux.

---

Bruno Galerne

Scaling Gaussian Splatting StyleTransfer

Applying style transfer to a full 3D environment is a challenging task that has seen many developments since the advent of neural rendering. 3D Gaussian splatting (3DGS) has recently pushed further many limits of neural rendering in terms of training speed and reconstruction quality. This work introduces SGSST: Scaling Gaussian Splatting Style Transfer, an optimization-based method to apply style transfer to pretrained 3DGS scenes. We demonstrate that a new multiscale loss based on global neural statistics, that we name SOS for Simultaneously Optimized Scales, enables style transfer to ultra-high resolution 3D scenes. Not only SGSST pioneers 3D scene style transfer at such high image resolutions, it also produces superior visual quality as assessed by thorough qualitative, quantitative and perceptual comparisons.

Reference:
SGSST: Scaling Gaussian Splatting StyleTransfer, B. Galerne, J. Wang, L. Raad, J.-M. Morel.  Accepted at CVPR 2025. 
Project page: https://idpoisson.fr/galerne/sgsst/

---

Yann Gousseau

Quelques avancées récentes en génération d’images synthétiques pour l’entraînement de réseaux profonds de restauration d’images

Dans cet exposé, je présenterai quelques principes permettant la génération de bases de données synthétiques destinées à l’entraînement d’architectures profondes pour la restauration d’images. En particulier, je m’intéresserai aux rôles de la géométrie, de la texture et de la profondeur de champs, dont la prise en compte permet d’approcher les performances obtenues par entraînement sur des bases d’images naturelles, tout en ayant de meilleures capacités de généralisation. Nous verrons également quelques expériences permettant d’évaluer l’importance de chacune de ces caractéristiques. Travaux en collaboration avec Raphaël Achddou et Saïd Ladjal.

---

Hélène Halconruy

Quelle est la distribution des coefficients d’ondelettes dominants ?

Les exposants d’échelle d’ordre un (noté c_1) et d’ordre deux (noté c_2) sont des paramètres multifractals jouant un rôle clé dans des tâches telles que la classification et l’analyse en traitement du signal et de l’image, avec notamment des applications dans l’étude de la turbulence. Parmi les méthodes développées pour estimer ces paramètres, les approches fondées sur le bootstrap et les méthodes bayésiennes se sont révélées particulièrement efficaces. Celles-ci reposent toutefois sur une hypothèse largement répandue : la log-normalité des coefficients d’ondelettes dominants (en anglais wavelet leaders) utilisés pour le calcul des grandeurs multifractales. L’article sur lequel repose cet exposé propose de remettre en question cette hypothèse et d’introduire un nouveau modèle basé sur les distributions log-concaves pour représenter les leaders. Au cours de la présentation, j’introduirai les paramètres multifractals c_1 et c_2, puis je présenterai le modèle log-concave proposé ainsi que les résultats d’estimation obtenus. Ce travail est réalisé en collaboration avec Wejdene Ben Nasr et Stéphane Jaffard

---

Claire Launay

Modélisation de textures : Champs browniens fractionnaires et signal monogène

Lors de cet exposé, nous nous intéressons à des champs browniens fractionnaires anisotropes (AFBF) particuliers appelés champs phares. Le caractère fractionnaire ou autosimilaire de ces champs dépend uniquement du paramètre dit de Hurst, tandis que l’anisotropie est donnée par l’angle d’ouverture d’un cône spectral orienté. Ces champs généralisent le mouvement brownien fractionnaire et modélisent des phénomènes naturels irréguliers. L’estimation des paramètres du modèle est donc une question cruciale pour la modélisation et l’analyse d’images réelles. Ce travail, effectué en collaboration avec Hermine Biermé, Philippe Carré et Céline Lacaux, introduit la représentation des AFBF à l’aide de la transformée monogène. Le signal monogène est construit à partir de la transformée de Riesz d’une image d’origine et permet d’extraire l’orientation locale et les informations structurelles de l’image à différentes échelles. Dans ce travail, nous exploitons le signal monogène pour définir de nouveaux estimateurs des paramètres AFBF dans le cas des champs phares. Nous prouvons que les estimateurs de l’anisotropie et de l’indice d’autosimilarité sont fortement consistants et nous démontrons la normalité asymptotique de ces estimateurs. Nous introduisons également un estimateur de l’orientation de la texture. En fin d’exposé, je présenterai également des résultats numériques qui illustrent la performance de ces estimateurs. 

---

Sélim Ollivier

Synthèse de texture multispectral à l’aide de réseaux de neurones RGB

Les algorithmes de synthèse de texture RGB de l’état de l’art reposent sur des distances de style calculées à partir de statistiques de caractéristiques profondes extraites par des réseaux de neurones entraînés sur de larges bases de données. Nous proposons ici deux solutions pour étendre ces méthodes à l’imagerie multispectrale (MSI) tout en conservant un réseau entraîné sur des images RGB. Aucune ne nécessite un entraînement supplémentaire du réseau. La première consiste à optimiser un distance de style calculée sur des triplés aléatoires de bandes spectrales. La seconde projette les pixels multispectraux dans un espace tridimensionnel. Nous étudions par ailleurs les avantages d’une opération de transfert de couleur en amont de la projection afin d’éviter les distributions de couleurs potentiellement anormales induites par la projection. Nos expériences comparent les performances des diverses méthodes à l’aide de différentes métriques. Nous démontrons qu’elles peuvent être utilisées en synthèse de texture par l’exemple, en offrant une bonne qualité visuelle et en se rapprochant des méthodes SOTA sur les bandes RGB.
Référence:
Multispectral Texture Synthesis Using RGB Convolutional Neural Networks, S.Ollivier, Y.Gousseau, S.Lefebvre. Published in TGRS

---

Barbara Pascal

Detectability of patches in fractal textures for assessing Hölder exponent-based breast cancer risk evaluation

Early detection of breast cancer is key to patient’s survival. Recent works showed that the distribution of local Hölder exponents in a mammogram can quantify breast tissue disruption, and hence assess breast cancer risk. This work proposes a systematic study of the detectability of disrupted tissues embedded inside either fatty or dense tissues leveraging simulated piecewise homogeneous fractal textures modeling the breast tissues. A novel filtered fractional Brownian field model for stationary isotropic fractal textures is proposed, based on a genuinely designed isotropic filtering. Intensive simulations on synthetic textures generated either from the previously introduced fractional Gaussian field or from the novel filtered fractional Brownian field show that a state-of-the-art local Hölder exponent-based segmentation algorithm is capable of detecting large patches of disrupted tissues in fatty environments, but that segmentation accuracy drops down for small patches, while for dense environments performance are good and decrease slowly with the patch size.

---

Emile Pierret

On the Accuracy of Diffusion Models in Bayesian Image Inverse Problems: A Gaussian Case Study

When used as priors for Bayesian inverse problems, diffusion models have demonstrated remarkable effectiveness in recent literature. Their inherent flexibility and high variance allow them to produce diverse solutions for image restoration tasks, including inpainting, super-resolution, and denoising. Despite these advances, several fundamental questions remain regarding their accuracy. In this talk, we examine the performance of diffusion-based priors in a simplified setting where the data follow a Gaussian distribution. Within this framework, we rigorously quantify the discrepancy between the theoretical solution of the inverse problem and the approximation provided by diffusion models. This is achieved by computing the Wasserstein distance between the distribution induced by the diffusion model sampler and the exact posterior distribution. Our study focus on the DPS and the ΠGDM algorithms.

---