Two Bayesian learning approaches to image processing / Yiqing Wang ; sous la direction de Jean-Michel Morel

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Traitement d'images

Statistique bayésienne

Morel, Jean-Michel (1953-.... ; mathématicien) (Directeur de thèse / thesis advisor)

Trouvé, Alain (1965-.... ; mathématicien) (Président du jury de soutenance / praeses)

Peyré, Gabriel (1979-....) (Rapporteur de la thèse / thesis reporter)

Guichard, Frédéric (1969-....) (Membre du jury / opponent)

Kervrann, Charles (19..-....) (Membre du jury / opponent)

École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....) (Organisme de soutenance / degree-grantor)

École doctorale Sciences pratiques (1998-2015 ; Cachan, Val-de-Marne) (Ecole doctorale associée à la thèse / doctoral school)

Centre de mathématiques et de leurs applications (1990-2019 ; Cachan, Val-de-Marne) (Laboratoire associé à la thèse / thesis associated laboratory)

Résumé / Abstract : Cette thèse porte sur deux méthodes à patch en traitement d’images dans le cadre de minimisation du risque Bayésien. Nous décrivons un mélange d’analyses factorielles pour modéliser la loi à priori des patchs dans une seule image et l’appliquons au débruitage et à l’inpainting. Nous étudions aussi les réseaux de neurones à multi-couches d’un point de vue probabiliste comme un outil permettant d’approcher l’espérance conditionnelle, ce qui ouvre quelques voies pour réduire leurs tailles et coût d’apprentissage.

Résumé / Abstract : This work looks at two patch based image processing methods in a Bayesian risk minimization framework. We describe a Gaussian mixture of factor analyzers for local prior modelling and apply it in the context of image denoising and inpainting. We also study multilayer neural networks from a probabilistic perspective as a tool for conditional expectation approximation, which suggests ways to reduce their sizes and training cost.