38 All\u00e9e Jean-Paul II
69110 Sainte-Foy-l\u00e8s-Lyon<\/p>\n\n\n\n
La salle de conf\u00e9rence est au 2\u00e8me \u00e9tage du b\u00e2timent, salon Ainay. Des marquages vous y guideront depuis l’accueil.<\/strong><\/p>\n\n\n\n Les repas sont enti\u00e8rement pris en charge et g\u00e9r\u00e9s par le domaine Lyon Saint-Joseph.<\/p>\n\n\n\n Dimanche 25\/05<\/strong><\/em><\/p>\n\n\n\n Lundi 26\/05<\/strong><\/em><\/p>\n\n\n\n Mardi 27\/05<\/strong><\/em><\/p>\n\n\n\n Mercredi 28\/05<\/strong><\/em><\/p>\n\n\n\n Philippe Carr\u00e9<\/em> <\/p>\n\n\n\n Mod\u00e9lisation de textures par signal monog\u00e8ne : \u00e9volution de la strat\u00e9gie de calcul et structure Deep<\/strong><\/p>\n\n\n\n Dans la continuit\u00e9 de l\u2019expos\u00e9 \u00ab Mod\u00e9lisation de textures : Champs browniens fractionnaires et signal monog\u00e8ne \u00bb<\/em>, ce travail coll\u00e9gial men\u00e9 avec Hermine Bierm\u00e9, Claire Launay et C\u00e9line Lacaux propose de poursuivre l\u2019analyse de la qualit\u00e9 des estimateurs, bas\u00e9s signal monog\u00e8ne, des param\u00e8tres de Hurst et de l\u2019anisotropie.<\/p>\n\n\n\n Plus pr\u00e9cis\u00e9ment, nous \u00e9tudions dans un premier temps la mani\u00e8re dont cette approche d\u2019analyse fond\u00e9e sur un sch\u00e9ma sans apprentissage mais par mod\u00e9lisation se positionne par rapport aux techniques modernes fond\u00e9es sur les donn\u00e9es, telles que les r\u00e9seaux de neurones. Pour cela, nous d\u00e9ployons diff\u00e9rentes architectures neuronales de r\u00e9gression visant \u00e0 estimer les deux param\u00e8tres : H (le param\u00e8tre de Hurst) et l\u2019anisotropie. Nous discuterons des choix d\u2019architecture, des strat\u00e9gies d\u2019apprentissage, ainsi que de la qualit\u00e9 des r\u00e9sultats obtenus, en tenant compte du co\u00fbt computationnel par rapport \u00e0 notre strat\u00e9gie monog\u00e8ne.<\/p>\n\n\n\n Dans un second temps, nous revisiterons notre sch\u00e9ma de calcul du signal monog\u00e8ne en introduisant une v\u00e9ritable d\u00e9composition orthogonale anisotropique 2D en ondelettes, s\u2019appuyant sur des sch\u00e9mas de projection en quinconce. Nous analyserons alors la qualit\u00e9 des estimateurs associ\u00e9s, en lien avec cet algorithme de calcul novateur du signal monog\u00e8ne.<\/p>\n<\/div><\/div>\n\n\n\n Agn\u00e8s Desolneux<\/em><\/p>\n\n\n\n Reconstruction d’un champ gaussien \u00e0 partir d’un ensemble d’excursion <\/strong><\/p>\n\n\n\n Dans cet expos\u00e9 je parlerai d’un travail en cours avec Hermine dans lequel on cherche \u00e0 inf\u00e9rer un champ gaussien stationnaire \u00e0 partir de la seule observation d’un ensemble d’excursion, dont on ne connait ni la covariance, ni le niveau.<\/p>\n\n\n\n C\u00e9line Duval<\/p>\n\n\n\n Utiliser les courbures de Lipschitz Killing en statistique non param\u00e9trique<\/strong><\/p>\n\n\n\n Un point important en statistique non param\u00e9trique et d\u2019adapter les proc\u00e9dures d’estimation \u00e0 la r\u00e9gularit\u00e9 inconnue de la fonction estim\u00e9e. Ces proc\u00e9dures dites d\u2019adaptation font syst\u00e9matiquement intervenir un param\u00e8tre de calibration qui affecte peu les r\u00e9sultats th\u00e9oriques mais de mani\u00e8re tr\u00e8s importante les r\u00e9sultats num\u00e9riques. Au travers de deux mod\u00e8les (estimation de densit\u00e9 et d\u2019intensit\u00e9) nous montrons comment, pour un estimateur o\u00f9 l\u2019adaptation est obtenue par seuillage, les courbures de Lipschitz Killing m\u00e8nent \u00e0 un choix pertinent et facile \u00e0 impl\u00e9menter num\u00e9riquement. <\/p>\n<\/div><\/div>\n\n\n\n Denis Duval<\/em><\/p>\n\n\n\n R\u00e9interpr\u00e9tation des mod\u00e8les g\u00e9n\u00e9ratifs de diffusion<\/strong><\/p>\n\n\n\n Les m\u00e9thodes de l\u2019\u00e9tat de l\u2019art pour la g\u00e9n\u00e9ration d\u2019images se basent pratiquement toutes sur l\u2019apprentissage profond, c\u2019est le cas en particulier des mod\u00e8les de diffusion. Ces mod\u00e8les sont capables de g\u00e9n\u00e9rer des images de haute qualit\u00e9, fid\u00e8les \u00e0 la loi des donn\u00e9es d\u2019entrainement. Cependant, ces mod\u00e8les sont des bo\u00eetes noires du point de vue de l\u2019humain : il est difficile d\u2019expliquer quelles d\u00e9cisions le mod\u00e8le prend et pourquoi. Dans ce travail, nous proposons une analyse th\u00e9orique de la cr\u00e9ativit\u00e9 des mod\u00e8les de diffusion DDPM en les r\u00e9interpr\u00e9tant comme une version modifi\u00e9e du c\u00e9l\u00e8bre algorithme de synth\u00e8se de texture de Kwatra et al. Nous montrons que sous certaines hypoth\u00e8ses, inverser un processus de diffusion est aussi simple que de faire des \u00ab\u00a0copier-coller\u00a0\u00bb de patchs des images d\u2019entrainement.<\/p>\n<\/div><\/div>\n\n\n\n Anne Estrade<\/em><\/p>\n\n\n\n Inf\u00e9rence statistique pour des champs al\u00e9atoires bas\u00e9e sur des caract\u00e9ristiques g\u00e9om\u00e9triques<\/strong><\/p>\n\n\n\n Dans cet expos\u00e9, je pr\u00e9senterai quelques exemples de situations o\u00f9 l’\u00e9tude des caract\u00e9ristiques g\u00e9om\u00e9triques des ensembles d’excursion de champs al\u00e9atoires, gaussiens ou pas, permet d’\u00e9tablir une m\u00e9thodologie de type inf\u00e9rence statistique. Je commencerai par un survol des notions et des r\u00e9sultats issus de la g\u00e9om\u00e9trie stochastique qui sous-tendent cette m\u00e9thodologie, en particulier la notion de Lipchitz-Killing Curvatures<\/em> et la Gaussian Kinematic Formula<\/em>. Il s’agira d’un expos\u00e9 de type review<\/em> reposant sur plusieurs travaux, estampill\u00e9s MISTIC pour la plupart d’entre eux.<\/p>\n\n\n\n Bruno Galerne<\/em><\/p>\n\n\n\n Scaling Gaussian Splatting StyleTransfer<\/strong><\/p>\n\n\n\n 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. Yann Gousseau<\/em><\/p>\n\n\n\n Quelques avanc\u00e9es r\u00e9centes en g\u00e9n\u00e9ration d’images synth\u00e9tiques pour l’entra\u00eenement de r\u00e9seaux profonds de restauration d’images<\/strong><\/p>\n\n\n\n Dans cet expos\u00e9, je pr\u00e9senterai quelques principes permettant la g\u00e9n\u00e9ration de bases de donn\u00e9es synth\u00e9tiques destin\u00e9es \u00e0 l’entra\u00eenement d’architectures profondes pour la restauration d’images. En particulier, je m’int\u00e9resserai aux r\u00f4les de la g\u00e9om\u00e9trie, de la texture et de la profondeur de champs, dont la prise en compte permet d’approcher les performances obtenues par entra\u00eenement sur des bases d’images naturelles, tout en ayant de meilleures capacit\u00e9s de g\u00e9n\u00e9ralisation. Nous verrons \u00e9galement quelques exp\u00e9riences permettant d’\u00e9valuer l’importance de chacune de ces caract\u00e9ristiques. Travaux en collaboration avec Rapha\u00ebl Achddou et Sa\u00efd Ladjal.<\/p>\n\n\n\n H\u00e9l\u00e8ne Halconruy<\/em><\/p>\n\n\n\n Quelle est la distribution des coefficients d\u2019ondelettes dominants ?<\/strong><\/p>\n\n\n\n Les exposants d\u2019\u00e9chelle d\u2019ordre un (not\u00e9 c_1) et d\u2019ordre deux (not\u00e9 c_2) sont des param\u00e8tres multifractals jouant un r\u00f4le cl\u00e9 dans des t\u00e2ches telles que la classification et l\u2019analyse en traitement du signal et de l\u2019image, avec notamment des applications dans l\u2019\u00e9tude de la turbulence. Parmi les m\u00e9thodes d\u00e9velopp\u00e9es pour estimer ces param\u00e8tres, les approches fond\u00e9es sur le bootstrap et les m\u00e9thodes bay\u00e9siennes se sont r\u00e9v\u00e9l\u00e9es particuli\u00e8rement efficaces. Celles-ci reposent toutefois sur une hypoth\u00e8se largement r\u00e9pandue : la log-normalit\u00e9 des coefficients d\u2019ondelettes dominants (en anglais wavelet leaders) utilis\u00e9s pour le calcul des grandeurs multifractales. L\u2019article sur lequel repose cet expos\u00e9 propose de remettre en question cette hypoth\u00e8se et d\u2019introduire un nouveau mod\u00e8le bas\u00e9 sur les distributions log-concaves pour repr\u00e9senter les leaders. Au cours de la pr\u00e9sentation, j\u2019introduirai les param\u00e8tres multifractals c_1 et c_2, puis je pr\u00e9senterai le mod\u00e8le log-concave propos\u00e9 ainsi que les r\u00e9sultats d\u2019estimation obtenus. Ce travail est r\u00e9alis\u00e9 en collaboration avec Wejdene Ben Nasr et St\u00e9phane Jaffard<\/p>\n\n\n\n Claire Launay<\/em><\/p>\n\n\n\n Mod\u00e9lisation de textures : Champs browniens fractionnaires et signal monog\u00e8ne<\/strong><\/p>\n\n\n\n Lors de cet expos\u00e9, nous nous int\u00e9ressons \u00e0 des champs browniens fractionnaires anisotropes (AFBF) particuliers appel\u00e9s champs phares. Le caract\u00e8re fractionnaire ou autosimilaire de ces champs d\u00e9pend uniquement du param\u00e8tre dit de Hurst, tandis que l’anisotropie est donn\u00e9e par l’angle d’ouverture d’un c\u00f4ne spectral orient\u00e9. Ces champs g\u00e9n\u00e9ralisent le mouvement brownien fractionnaire et mod\u00e9lisent des ph\u00e9nom\u00e8nes naturels irr\u00e9guliers. L’estimation des param\u00e8tres du mod\u00e8le est donc une question cruciale pour la mod\u00e9lisation et l’analyse d’images r\u00e9elles. Ce travail, effectu\u00e9 en collaboration avec Hermine Bierm\u00e9, Philippe Carr\u00e9 et C\u00e9line Lacaux, introduit la repr\u00e9sentation des AFBF \u00e0 l’aide de la transform\u00e9e monog\u00e8ne. Le signal monog\u00e8ne est construit \u00e0 partir de la transform\u00e9e de Riesz d’une image d’origine et permet d’extraire l’orientation locale et les informations structurelles de l’image \u00e0 diff\u00e9rentes \u00e9chelles. Dans ce travail, nous exploitons le signal monog\u00e8ne pour d\u00e9finir de nouveaux estimateurs des param\u00e8tres AFBF dans le cas des champs phares. Nous prouvons que les estimateurs de l’anisotropie et de l’indice d’autosimilarit\u00e9 sont fortement consistants et nous d\u00e9montrons la normalit\u00e9 asymptotique de ces estimateurs. Nous introduisons \u00e9galement un estimateur de l’orientation de la texture. En fin d’expos\u00e9, je pr\u00e9senterai \u00e9galement des r\u00e9sultats num\u00e9riques qui illustrent la performance de ces estimateurs. <\/p>\n\n\n\n S\u00e9lim Ollivier<\/em><\/p>\n\n\n\n Synth\u00e8se de texture multispectral \u00e0 l’aide de r\u00e9seaux de neurones RGB<\/em><\/strong><\/p>\n\n\n\n Les algorithmes de synth\u00e8se de texture RGB de l’\u00e9tat de l’art reposent sur des distances de style calcul\u00e9es \u00e0 partir de statistiques de caract\u00e9ristiques profondes extraites par des r\u00e9seaux de neurones entra\u00een\u00e9s sur de larges bases de donn\u00e9es. Nous proposons ici deux solutions pour \u00e9tendre ces m\u00e9thodes \u00e0 l’imagerie multispectrale (MSI) tout en conservant un r\u00e9seau entra\u00een\u00e9 sur des images RGB. Aucune ne n\u00e9cessite un entra\u00eenement suppl\u00e9mentaire du r\u00e9seau. La premi\u00e8re consiste \u00e0 optimiser un distance de style calcul\u00e9e sur des tripl\u00e9s al\u00e9atoires de bandes spectrales. La seconde projette les pixels multispectraux dans un espace tridimensionnel. Nous \u00e9tudions par ailleurs les avantages d’une op\u00e9ration de transfert de couleur en amont de la projection afin d’\u00e9viter les distributions de couleurs potentiellement anormales induites par la projection. Nos exp\u00e9riences comparent les performances des diverses m\u00e9thodes \u00e0 l’aide de diff\u00e9rentes m\u00e9triques. Nous d\u00e9montrons qu’elles peuvent \u00eatre utilis\u00e9es en synth\u00e8se de texture par l’exemple, en offrant une bonne qualit\u00e9 visuelle et en se rapprochant des m\u00e9thodes SOTA sur les bandes RGB. Barbara Pascal<\/em><\/p>\n\n\n\n Detectability of patches in fractal textures for assessing H\u00f6lder exponent-based breast cancer risk evaluation<\/strong><\/p>\n\n\n\n Early detection of breast cancer is key to patient’s survival. Recent works showed that the distribution of local H\u00f6lder 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 H\u00f6lder 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.<\/p>\n\n\n\n Emile Pierret<\/em><\/p>\n\n\n\n On the Accuracy of Di\ufb00usion Models in Bayesian Image Inverse Problems: A Gaussian Case Study<\/strong><\/p>\n\n\n\n When used as priors for Bayesian inverse problems, di\ufb00usion models have demonstrated remarkable e\ufb00ectiveness 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 di\ufb00usion-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 di\ufb00usion models. This is achieved by computing the Wasserstein distance between the distribution induced by the di\ufb00usion model sampler and the exact posterior distribution. Our study focus on the DPS and the \u03a0GDM algorithms.<\/p>\n\n\n\n Lieu Domaine Lyon Saint-Joseph38 All\u00e9e Jean-Paul II69110 Sainte-Foy-l\u00e8s-Lyon La salle de conf\u00e9rence est au 2\u00e8me \u00e9tage du b\u00e2timent, salon Ainay. Des marquages vous y guideront depuis l’accueil. Les repas sont enti\u00e8rement pris en charge et g\u00e9r\u00e9s par le domaine Lyon … Continuer la lecture
\n\n\n\nAcc\u00e8s<\/h2>\n\n\n\n
\n
\n
\n
\n
\n\n\n\nProgramme<\/h1>\n\n\n\n
\n
\n
\n
\n
\n\n\n\nR\u00e9sum\u00e9s des expos\u00e9s<\/h2>\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
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\/<\/a><\/p>\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\n
R\u00e9f\u00e9rence:
Multispectral Texture Synthesis Using RGB Convolutional Neural Networks, S.Ollivier, Y.Gousseau, S.Lefebvre. Published in TGRS<\/p>\n\n\n\n
\n\n\n\n
\n\n\n\n
\n<\/div><\/div>\n\n\n\n![\"\"](\"https:\/\/mistic.math.cnrs.fr\/wp-content\/uploads\/2025\/04\/logo-1-1024x494.png\"){kind=logo}
<\/figure>\n","protected":false},"excerpt":{"rendered":"