En laboratoire, GenR restaure des visages dégradés en 30 secondes

Une vieille photo de famille repose dans un album, ses visages adoucis par le flou, le bruit et des morceaux manquants. Un nouveau système conçu par des chercheurs de l'Indian Institute of Technology Gandhinagar et de l'Indian Institute of Technology BHU, baptisé GenR, a produit des images restaurées en environ 30 secondes pour les tâches à dégradation unique lors d'évaluations en laboratoire.

Le défi ne consiste pas simplement à accentuer les pixels. Un visage peut subir plusieurs formes de dégradation à la fois : des variations aléatoires de luminosité ou de couleur, une basse résolution, des parties masquées, du flou et des artefacts de compression créés par les sauvegardes répétées d'une image. La restauration traditionnelle par IA s'appuie souvent sur des données d'entraînement appariées — une image nette associée à une image artificiellement dégradée —, difficiles et coûteuses à réunir pour chaque combinaison de problèmes.

GenR emprunte une autre voie. Il utilise une inversion fondée sur StyleGAN3, un processus qui remonte d'une image réelle et dégradée pour identifier le code d'une version nette plausible. Le système optimise ensuite cette reconstruction en trois étapes : d'abord la structure globale, l'identité et la pose ; puis des traits comme les yeux, le nez et la mâchoire ; enfin les textures fines, notamment celles de la peau et des cheveux. Akbar Ali, le doctorant de l'IIT Gandhinagar qui est le premier auteur de l'étude, explique que le passage contrôlé de la structure grossière aux détails fins vise à réduire le surapprentissage — le risque d'inventer des détails qui n'appartiennent pas au visage d'origine.

Les chercheurs ont évalué GenR sur des tâches de réduction du bruit, de suréchantillonnage, d'inpainting et de suppression des artefacts, couvrant des dégradations uniques et multiples. Ils rapportent des améliorations visuelles constantes, avec des images à dégradation unique produites en environ 30 secondes, un résultat qu'ils décrivent comme faisant partie des plus rapides obtenus par les principales méthodes. L'étude a été publiée dans Pattern Recognition Letters.

Qu'est-ce que cela change en pratique ? GenR pourrait offrir aux archivistes un moyen plus rapide d'améliorer des photographies historiques et des images de films, et contribuer à produire des reconstructions faciales plus nettes dans le cadre d'enquêtes médico-légales ; il pourrait également améliorer les images sur les plateformes de visioconférence et de réseaux sociaux. Mais il reste un framework de laboratoire, pas une machine d'identification : lorsque l'image source est fortement dégradée, il peut créer un visage réaliste qui ne correspond pas à la personne d'origine, tandis que des paramètres complexes peuvent produire des résultats irréalistes en l'absence d'une régularisation stricte.