Liste des projets

Synthèse d'images par réseau génératif multi-résolution

Encadrants

  • Arthur Leclaire
  • Emails: Arthur.Leclaire@telecom-paris.fr
  • Bureaux: 5C??

Nombre d'étudiant par instance du projet:

  • Minimum: 2
  • Maximum: 4

Nombre d'instances du projet :

1

Sigles des UE couvertes et/ou Mots-clés :

Modèles génératifs, Réseaux de neurones convolutifs, Traitement d'images multi-échelle

Logo/Favicon

project image

Description du projet :

Les réseaux génératifs convolutifs [1] sont des réseaux de neurones ayant produit des résultats spectaculaires en synthèse d'images, notamment à partir d'une base de données de visages de très haute résolution [2]. Le succès de ce procédé de synthèse repose d'une part sur une architecture de réseau bien choisie et d'autre part sur un procédé d'entraînement (souvent coûteux) à partir d'une grande base de données. Ce projet vise à construire des architectures légères de réseaux génératifs convolutifs pouvant être entraîner avec des ressources matérielles modestes. L'une des clés est d'utiliser une représentation multi-résolution des images [3], et de faire en sorte que le réseau puisse synthétiser des images de mieux en mieux résolues.

Objectifs du projet :

- Apprendre à construire une architecture de réseau de neurones convolutif - Implémenter en Pytorch quelques méthodes d'apprentissage de réseau convolutif - Apprendre à construire une architecture de réseau multi-résolution adapté à une base de données d'images - Entraîner un tel réseau pour synthétiser des images à partir de quelques bases célèbres (par exemple, MNIST, CelebA)

Logiciels requis:

python, pytorch

Références bibliographiques:

[1] Radford, Alec, Luke Metz, and Soumith Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks." Proceedings of ICLR, 2016. http://arxiv.org/abs/1511.06434 [2] Karras, Tero, et al. "Analyzing and improving the image quality of stylegan." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2020. https://openaccess.thecvf.com/content_CVPR_2020/html/Karras_Analyzing_and_Improving_the_Image_Quality_of_StyleGAN_CVPR_2020_paper.html [3] Karras, Tero, et al. "Progressive growing of gans for improved quality, stability, and variation." Proceedings of ICLR, 2018. https://arxiv.org/abs/1710.10196