Image-to-Image Translation for Realism Enhancement

Abstract

Image-to-image translation is a captivating task in computer vision that involves transforming a source image into a target image in another domain, while preserving key semantic features. This technique is experiencing considerable growth thanks to its many promising applications. Supervised approaches produce visually sharp results, but require paired data that is difficult to obtain. Unsupervised methods, using raw data, are therefore attracting increasing interest. This thesis explores the latest advances in neural networks for image-toimage translation, with an emphasis on realistic enhancement. It evaluates different generative adversarial network architectures and addresses the challenges of training and evaluation. The main objective is to propose new approaches enabling high-quality image-to-image translation for realism enhancement applications, while discussing future perspectives of this promising field. ***

La traduction d’image à image est une tâche captivante en vision par ordinateur qui consiste à transformer une image source en une image cible dans un autre domaine, tout en préservant les caractéristiques sémantiques clés. Cette technique connaît un essor considérable grâce à ses nombreuses applications prometteuses. Les approches supervisées produisent des résultats visuellement nets, mais nécessitent des données appariées difficiles à obtenir. Les méthodes non supervisées, utilisant des données brutes, suscitent donc un intérêt croissant. Cette thèse explore les dernières avancées en réseaux de neurones pour la traduction d’image à image, en mettant l’accent sur l’amélioration du réalisme. Elle évalue différentes architectures de réseaux antagonistes génératifs et aborde les défis de l’entraînement et de l’évaluation. L’objectif principal est de proposer de nouvelles approches permettant une traduction d’image à image de haute qualité pour des applications d’embellissement photoréaliste, tout en discutant des perspectives futures de ce domaine prometteur.