Thesis-CST-Report/01.Introduction/Introduction.tex

\chapter{Introduction}

\section{Présentation de la thématique}
Les moteurs de rendus d'illimunations globales sont utilisées de nos jours dans le but de générer des images photo-réalistes. La représentation d'une scène modélisée en 3D fourni en entrée au moteur de rendu permet l'obtention d'une image en sortie de celui-ci. Il définit la valeur de chaque pixel de l'image suivant les propriétés physique des objets qui constituent la scène. Plusieurs algorithmes de rendus ont été développés durant ces dernières années dans le but d'approximer l'image finale souhaitée. Chaque méthode possède ses propres avantages et inconvénients, parfois coûteuse en temps ou pas assez précise si le temps est en manquant. Ces méthodes de rendus se basent toutes sur une méthode d'approximation Monte-Carlo (suivant la loi des grands nombres) dans le but d'approximer l'équation de rendu \autocite{DBLP:conf/siggraph/Kajiya86} et chaque valeur de pixel de l'image par le biais d'une moyenne empirique de l'approximation des valeurs des pixels durant le rendu. 

\vspace{2mm}
\noindent
Dans l'objectif d'évaluer la qualité d'une image, des approches et métriques de calculs ont été développées et proposées dans la littérature. Ces métriques sont parfois spécifiques pour des distortions d'images telles que le flou gaussien, JPEG2000, compression JPEG bruitée, ringing. Généralement ciblé sur du bruit additif. Globalement, les approches publiées sont appliquées pour la mesure de qualité d'une image dites naturelle et très peu pour mesurer la qualité d'une image photo-réaliste. En effet, lors du rendu de l'image, un bruit peut être perceptible par l'humain. Il ne s'agit ici en aucun cas d'un bruit additif mais plutôt un bruit dit \enquote{impulsionnel}, dû au fait de la complexité d'approximation des valeurs finales de pixels dans une zone de la scène provoquant une erreur numérique perceptible humainement.

%\vspace{2mm}
%\noindent

%Certaines des métriques développées pour mesurer la qualité d'une image photo-réaliste se basent sur des informations en amont de la scène, comme la profondeur (Z-buffer), les textures et autres artéfacts. Notre besoin est d'évaluer la qualité de l'image en sortie du moteur de rendu, plus précisemment le bruit présent dans l'image générée en se basant uniquement sur les informations de l'image elle-même. Pour répondre à ce besoin, nous souhaitons mettre en place des métriques dites sans-référence (NR : No-Reference/Blind) de qualité d'image (IQA : Image Quality Assessment) basés sur une base d'images mise en place dans le cadre de cette étude. Cette base d'images utilise le Mean Opinion Score (MOS) pour définir la qualité d'expérience (QoE) des images de synthèses basée sur l'évaluation subjective de la qualité de l'image.

\section{Contexte de la thèse}
Le sujet de thèse présenté ici s'intitule \enquote{Détection de bruit dans les images stéréoscopiques par méthodes d'apprentissage automatiques}. La thèse s'incruste dans un projet ANR donc l'objectif final serait de pouvoir concevoir un moteur rendu mixte mélant rendu temps réel (une image calculée en moins de \SI{30}{ms}) et photo-réalisme. C'est à dire cibler la partie à améliorer par rapport au regard de l'utilisateur dans un support de rendu stéréoscopique. L'objectif de la thèse est double, à la fois détecter le bruit, le quantifier à partir de l'image uniquement et non les informations de la scène (si possible) puis proposer une méthode de filtrage/débruitage (post-traitement) permettant d'améliorer son aperçu. Tout en gardant pour objectif que cela puisse être réalisé en temps réel.

\section{Problématique abordée}

Comme évoqué précedemment, l'objectif de la thèse est double pouvoir à la fois détecter le bruit dans une image de synthèse issue d'un moteur de rendu et mais également proposer une méthode de réduction de ce bruit perçu (denoising method).

\begin{figure}
	\centering
	\includegraphics[width=\linewidth]{01.Introduction/images/problematic_and_context.png}
	\caption[Intéraction du modèle de détection de bruit lors du rendu d'image]{Représentation de l'intéraction du modèle de détection souhaité de bruit lors du rendu d'une image de synthèse à partir des données de la scène 3D}
	\label{fig:01_Introduction__context_and_problematic}
\end{figure}

\vspace{2mm}
\noindent
La Fig. \ref{fig:01_Introduction__context_and_problematic} détaille davantage la manière dont le problème est abordé et surtout elle permet de cibler la partie sur laquelle la problématique de la thèse s'incruste. Nous avons donc le modèle de détection de bruit (modèle de classification binaire) qui permettrait de prédire si le moteur de rendu a encore la nécessité d'améliorer l'image ou non. On pourrait bien entendu ici, mettre en place une étape de post-traitement pour amélioration de l'image avant évaluation du bruit contenu dans celle-ci.