Débruitage d'images, Débruitage de vidéos, Restauration d'image, Réseaux convolutionnels profonds, Correction de flou

Cette thèse porte sur des problèmes de débruitage d'images et de vidéos. Elle mêle des approches traditionnelles en traitement d'images, dites ``par patchs'', et des méthodes plus récentes basées sur des architectures par réseaux de neurones. Les méthodes développées tiennent compte des contraintes liées aux systèmes embarqués, elles doivent donc être à la fois rapides et peu gourmandes. Dans une première partie, on explore plusieurs directions pour rendre les méthodes par patchs suffisamment efficaces et pertinentes pour satisfaire ces contraintes. La seconde partie de la thèse se concentre sur les progrès récents obtenus grâce aux approches par réseaux convolutionnels profonds, et mène à deux nouvelles approches de débruitage vidéo qui s'avèrent beaucoup plus rapides (parfois de plusieurs ordres de grandeur) que les meilleures méthodes de l'état de l'art, tout en les égalant du point de vue de la qualité des résultats. Enfin, une troisième partie présente un travail exploratoire sur la correction de flou. Comme dans les parties précédentes, nous essaierons de faire le lien entre les approches classiques de traitement d'image (transformée de Fourier) et les approches par réseaux de neurones. Nous nous efforcerons de comprendre et d'expliquer les mécanismes et les bénéfices de chaque méthodologie. En particulier, nous présenterons un algorithme intermédiaire (kernel prediction) qui fait le lien entre ces