Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
An old family photograph sits in an album, its faces softened by blur, noise and missing pieces. A new system from researchers at the Indian Institute of Technology Gandhinagar and the Indian Institute of Technology BHU, called GenR, produced restored images in about 30 seconds for single-degradation tasks in laboratory evaluations.
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.
The challenge is not simply to sharpen pixels. A face can suffer several forms of damage at once: random brightness or color variations, low resolution, covered sections, blur and compression artifacts created by repeatedly saving an image. Traditional AI restoration often relies on paired training data—one clean image matched with one artificially damaged image—which is expensive to collect for every possible combination of problems.
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 takes another route. It uses StyleGAN3-based inversion, a process that works backward from a real, damaged image to identify the code for a plausible clean version. The system then optimizes that reconstruction in three stages: first the global structure, identity and pose; then features such as the eyes, nose and jawline; and finally fine textures including skin and hair. Akbar Ali, the IIT Gandhinagar doctoral student who first authored the study, said the controlled move from coarse structure to fine detail is meant to reduce overfitting—the risk of inventing details that do not belong to the original face.
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.
The researchers evaluated GenR on denoising, upsampling, inpainting and deartifacting tasks, covering both single and multiple degradations. They report consistent visual improvements, with single-degradation images produced in about 30 seconds, which they describe as among the fastest results from leading methods. The study appeared in Pattern Recognition Letters.
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.
So what changes in practice? GenR could give archivists a faster way to improve historical photographs and film footage, and could support clearer facial reconstructions in forensic work; it could also improve images on video-conferencing and social-media platforms. But it remains a laboratory framework, not an identity machine: when the source image is severely damaged, it can create a realistic face that does not match the original person, while complex settings can produce unrealistic results without strict regularization.
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.