Repenser la post-production d'archives avec des méthodes à patch, variationnelles et par apprentissage – PostProdLEAP

L’objectif du projet PostProdLEAP est d'exploiter les avantages des méthodes récentes par apprentissage profond et des approches plus traditionnelles basées patchs ou variationnelles pour la post-production d'archives vidéo. Les défauts couramment observés avec les méthodes d’apprentissage profond sont les pertes de détails, les discontinuités spatiales et temporelles et les halos de couleurs le long des contours. La qualité des résultats n'est pour l’instant pas acceptable pour les artistes du domaine. Dans ce projet, nous dépasserons ces limitations en construisant des modèles mathématiques basés sur l’apprentissage profond, incluant des contraintes de régularité spatiales et temporelles, et préservant les textures. Les outils seront développés en collaboration avec les artistes et historiens de l'entreprise Composite Films, leader mondial de la restauration et colorisation vidéo. Ils permettront une interaction et un contrôle de l'utilisateur, tout en lui facilitant le travail par rapport aux outils professionnels actuels. Nos modèles seront entraînés et validés sur des bases de données d'archives de résolutions et qualités variées, spécialement créées pour le projet à partir de films restaurés par Composite Films.