Lieu

Hôtel Dupanloup au centre ville d’Orléans (Google maps)

Programme

Jeudi 23 juin 2022

• 14h-17h30 : Exposés scientifiques de chercheurs invités
  Programme :
  • Accueil – café
  • 14h30-15h15 : Hermine Chatoux, The metrological use of fractals to study human perception and physical sensors
  • 15h15-16h : Nicolas Lutz, Champs cyclostationnaires pour la synthèse de textures
  • Pause
  • 16h30 – 17h15 : Raphaël Achddou, Synthetic images as a regularity prior for image restoration neural networks
• Soir : Dîner avec tous les participants au restaurant l’Etage, 6 Rue Jean Hupeau,Orléans (Google maps)

Vendredi 24 juin 2022

• 9h30-12h30 : Exposés scientifiques des membres du projet
  Programme :
  • 9h30-10h15 : Anne Estrade, Champs aléatoires gaussiens et mélanges gaussiens : géométrie stochastique, statistique inférentielle et extrêmes spatiaux
  • 10h15-10h45 : Pause café
  • 10h45-11h30 : Ryan Cotsakis, Estimating the perimeter of smooth shapes in binary, pixelated images
  • 11h30-12h15 : Hermine Biermé, Vector valued random fields for color images
• Déjeuner avec tous les participants au Lutetia, 2 Rue Jeanne d’Arc, Orléans (Google maps)
• 14h-15h (environ) : Discussion sur la suite du projet
• 15h-17h30 : Echanges libres (plusieurs salles de réunions à disposition pour des travaux en petits groupes)

Hôtels recommandés

• Hôtel de l’abeille, 64 rue Alsace Lorraine, 45000 Orléans
• Urban Jungle. Hotel Orléans, 1 Rue de la Lionne, 45000 Orléans
• Campanile Orléans Centre, 40 Rue de la République, 45000 Orléans
• Hôtel Saint-Martin, 52 Bd Alexandre Martin, 45000 Orléans

Résumés des exposés

• Raphaël Achddou, Synthetic images as a regularity prior for image restoration neural networks
  Despite their impressive results in most image restoration tasks, deep learning approaches fail to generalise to the slightest changes in either the acquisition modality or the distortion modality. To that end, the most common solution is to acquire a new database for each modality and retrain a new neural network, which is both costly and time consuming. To circumvent these limitations, we propose to train deep learning restoration methods on images generated with a simple dead leaves model equipped with a carefully designed distortion model. In this talk, I will first introduce this synthetic image model and the implementation choices we made. Then, I will explain how we modelled image distortions for various image restoration tasks. I will then present some experimental results confirming our intuition that synthetic images and a good deterioration model are sufficient to train a neural network with performances on par with its classical counterparts. Finally, we will give some perspectives to this work, with an ongoing study on the understanding of the distribution of colors in natural images, which is crucial to color dead leaves images.
  
• Hermine Biermé, Vector valued random fields for color images
  The RGB color model is an additive color model in which the red, green and blue colors are added to reproduce colors. We consider the color monogenic framework to define random fields according to natural colors. This approach is based on the monogenic representation of a greyscale image, based on Riesz transform and particularly well-adapted to detect directionality of self-similar of operator scaling Gaussian fields. This talk is dedicated to the memory of Mark Marvin Meerschaert (1955-2020).
  
• Hermine Chatoux, The metrological use of fractals to study human perception and physical sensors
  To study the human perception of texture, the fractional Brownian movement can be used to generate color texture images (a controlled variation in the spatio-chromatic space). Indeed, fractal textures are not directly related to a semantic subject and therefore will allow to measure “eye sensation” and not “brain analysis”. Our focus of interest is the physical and perceptual constraints to generate such a mathematical object. The fBm strong hypothesis is the continuity of the space. When applying the concept to color images, a quantification is realized both in the spatial and the chromatic space.
  
• Ryan Cotsakis, Estimating the perimeter of smooth shapes in binary, pixelated images
  Suppose that a space is divided into two regions that are separated by a locally smooth boundary. Superpose the space with a regular lattice structure, and for each vertex of the lattice, record which region it belongs to. From the samples at the lattice vertices, our goal is to estimate the measure of the boundary. In this talk, I describe an algorithm that recovers the exact measure of the boundary as the size of the lattice cell approaches zero. This algorithm can be used to estimate the perimeter of excursion sets of 2D, anisotropic random fields, for example, with desirable probabilistic properties (see our preprint hal-03582844).
  
• Anne Estrade, Champs aléatoires gaussiens et mélanges gaussiens : géométrie stochastique, statistique inférentielle et extrêmes spatiaux
  De nombreux résultats concernant les propriétés géométriques des champs aléatoires ont été établis dans le cas des champs gaussiens ; citons par exemple la longueur des lignes nodales ou la caractéristique d’Euler qui décrivent la structure topologique des excursions. Par ailleurs, les modèles les plus utilisés dans le cadre de l’analyse statistique des valeurs extrêmes de processus spatiaux sont les processus de mélange gaussien, en échelle ou en position. Dans cet exposé, on commencera par présenter quelques résultats concernant la géométrie des excursions gaussiennes et on montrera comment les utiliser en statistique inférentielle pour exhiber des propriétés du champ considéré. Ensuite, on étendra ces résultats à certains modèles de mélange ainsi qu’à des processus limites connus sous le nom de processus de Pareto généralisés.
  Travail en collaboration avec Elena Di Bernardino (LJAD, Nice) et Thomas Opitz (BioSP, INRAE Avignon).

• Nicolas Lutz, Champs cyclostationnaires pour la synthèse de textures
  Le bruit procédural est utilisé dans les applications de rendu en temps réel pour texturer des surfaces de taille non bornée afin d’éviter les artefacts de répétition et d’alignement d’un pavage périodique classique. Comme les bruits procéduraux implémentent généralement des champs stationnaires Gaussiens, le type de textures pouvant être généré est statistiquement limité. Nous avons montré l’année dernière qu’il était possible d’instancier des champs cyclostationnaires Gaussiens pour générer en plus des textures dont l’organisation globale est périodique, soit à partir de spectres, soit à partir d’un exemple d’entrée, en adaptant certains des algorithmes existants. Cette présentation va principalement concerner notre article de Eurographics 2021 (https://hal.archives-ouvertes.fr/hal-03181139/), de quelques développements théoriques plus récents, et de pistes de recherches.