Careers

Stage en traitement d’images : estimateurs bayésiens avec des hyperpriors pour la restauration d’images RAW

Mots clés : Photographie numérique, restauration d’images, débruitage, dématriçage, Hyperprior Bayesian Estimator.

 

 

A propos de DxO

Nous sommes un éditeur de logiciel basé à Boulogne Billancourt. Notre mission est de mettre la science au service des photographes.

Nos solutions sont basées sur un savoir-faire unique dans les domaines de la calibration de matériel photographique et de l’analyse scientifique d’images. Nos algorithmes de traitement d’image répondent efficacement à des problématiques complexes. Nous avons acquis ce savoir-faire pendant 15 ans de recherche et de collaboration étroite avec des laboratoires tels que l’Université Paris Descartes et Telecom ParisTech.

Nos logiciels sont utilisés par les photographes les plus exigeants autour du monde et plébiscités par la presse.

 

 

Votre stage

Lorsqu’un appareil photo capte une image dans des conditions adverses (faible illumination, contre-jour, mouvement de l’appareil photo ou de la scène, etc.) il devient indispensable de recourir à des algorithmes de restauration puissants afin d’obtenir une image de bonne qualité.

Ce stage a pour but de tester dans des conditions réalistes un nouvel algorithme de restauration d’images issu de quatre ans de collaboration de recherche entre DxO, l’Université Paris Descartes et Telecom ParisTech, et d’explorer des variantes en fonction des résultats obtenus, en vue d’une éventuelle intégration dans notre logiciel DxO PhotoLab.

Il s’agit d’un algorithme qui généralise les approches de débruitage par patches basées sur des modèles gaussiens locaux tels que Non-Local Bayes [1], en permettant d’appliquer cette technique pas seulement au débruitage gaussien mais aussi :

  • à des distributions de bruit plus réalistes ;
  • à des problèmes inverses tels que les pixels manquants, ou le dématriçage.

L’algorithme HBE [2] qui utilise un hyper-prior pour faire le lien entre un modèle a priori global de l’ensemble d’images naturelles et un modèle à priori plus spécifique et localisé de l’image à traiter, a fait ses preuves notamment pour la reconstruction d’images à haute gamme dynamique (HDR) [3] à partir d’une seule image prise par un capteur spécialement dédié à cette tâche.

Votre rôle sera d’explorer l’applicabilité de l’algorithme HBE et de ses variantes à des problèmes de débruitage et dématriçage d’images brutes (RAW), telles qu’elles sont fournies par la plupart des appareils photo. L’objectif est de comparer l’algorithme HBE aux résultats obtenus avec nos algorithmes actuelles, considérés comme la référence industrielle.

Par la suite, les types de variantes qui seront explorés concernent la façon de formuler le problème inverse ainsi que l’utilisation d’un a priori global plus puissant que le modèle PLE [4] adopté dans le HBE d’origine. En particulier on pourra utiliser EPLL ou des a priori basés sur le débruitage par réseau de neurones convolutionnels [5].

Ce stage sera doublement encadré, coté académique, par les auteurs de l’algorithme HBE, et coté industriel par DxO qui assurera un ensemble de données de test pertinent.

Par le biais de ce stage, vous consoliderez aussi vos connaissances en photographie, restauration d’images et retouche de photos. Et vous découvrirez l’organisation de la recherche et du développement logiciel au sein d’une équipe Agile.

 

 

Votre profil

Stage de fin d’études d’école d’ingénieur avec spécialisation en traitement d’image ou deep learning, ou formation universitaire équivalente. Vous êtes rigoureux, créatif, autonome et dynamique. Vous avez des compétences solides en Python. Idéalement, vous êtes passionné par la photographie.

 

 

Durée et localisation

Stage d’une durée de 5 mois minimum basé à Boulogne-Billancourt (Métro 9 station Billancourt – Tramway T2 station Les Moulineaux). Si ce challenge vous séduit, adressez-nous rapidement votre dossier de candidature à l’adresse suivante : recruit@dxo.com

 

 

Références

  • Lebrun, M., Buades, A., & Morel, J. M. (2013). A Nonlocal Bayesian Image Denoising Algorithm. SIAM Journal on Imaging Sciences, 6(3), 1665–1688, doi:10.1137/120874989, IPOL demo.
  • Aguerrebere, C., Almansa, A., Delon, J., Gousseau, Y., & Muse, P. (2017). A Bayesian Hyperprior Approach for Joint Image Denoising and Interpolation, With an Application to HDR Imaging. IEEE Transactions on Computational Imaging, 3(4), 633–646, doi:10.1109/TCI.2017.2704439, hal-01107519, code & examples.
  • Aguerrebere, C., Almansa, A. A., Gousseau, Y., Delon, J., & Muse, P. (2014). Single shot high dynamic range imaging using piecewise linear estimators. In 2014 IEEE International Conference on Computational Photography (ICCP) (pp. 1–10). Santa Clara, CA, United States: IEEE. doi:10.1109/ICCPHOT.2014.6831807, hal-01054831, project page.
  • Yu, G., Sapiro, G., & Mallat, S. (2012). Solving inverse problems with piecewise linear estimators: from Gaussian mixture models to structured sparsity. IEEE Transactions on Image Processing, 21(5), 2481–2499. doi:10.1109/TIP.2011.2176743
  • Zhang, K., Zuo, W., & Zhang, L. (2018). FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising. IEEE Transactions on Image Processing. doi:10.1109/TIP.2018.2839891, arXiv:1710.04026