DeepLens | L'Océan Révélé

Le Défi Physique (Introduction)

Pourquoi restaurer les images sous-marines ?

L'exploration océanique se heurte à des lois physiques strictes. Sous l'eau, la lumière subit deux phénomènes majeurs : l'absorption (qui fait disparaître les longueurs d'onde rouges en premier, donnant un ton vert/bleu aux images) et la diffusion spatiale (qui crée un voile laiteux et réduit le contraste).

L'objectif de ce projet de recherche est d'utiliser l'Intelligence Artificielle (Deep Learning) pour inverser mathématiquement ces distorsions physiques et restaurer les vraies couleurs des fonds marins en temps réel.

-5m

Perte des Rouges

Disparition totale du spectre rouge.

-15m

Perte des Oranges/Jaunes

Les teintes chaudes s'effacent complètement.

-30m+

Domination Bleue

Le paysage marin devient monochromatique.

La Solution IA

Le Studio DeepLens

Démo en direct : Uploadez une image trouble et observez la magie générative.

Restauration Complète

Télécharger

Brute (Floue)

IA DeepLens

← Glissez le curseur pour voir la comparaison →

Paramètres d'Inférence

Modèle Neuronal (Moteur ONNX Universel)

Accélération ONNX ⚡ Passe du moteur PyTorch à ONNX Runtime.

Traitement par Tuiles (HD) Préserve la résolution 4K (plus lent).

Architecture V2 (Sélectionnée)

Entraînée sur le dataset UIEB (890 images) avec un réseau discriminateur (PatchGAN). Permet un meilleur contraste et une restauration profonde des couleurs chaudes.

Déposez votre capture ici

Le réseau neuronal va extraire et corriger la turbidité.

L'Évolution de l'Architecture

L'Histoire du Projet

L'évolution architecturale et les défis scientifiques de notre modèle de restauration.

Phase 1 : La Baseline et l'Effet Damier

Notre modèle de base s'appuie sur une architecture U-Net. Les premières prédictions souffraient d'artefacts géométriques (Checkerboard Artifacts). Solution : remplacer les déconvolutions par une Interpolation Bilinéaire pour lisser la texture de l'eau.

Phase 2 : L'Attention Spatiale

Un U-Net classique traite l'océan vide avec la même importance qu'un corail. Nous avons intégré des blocs d'Attention (SE Blocks) pour forcer l'IA à se concentrer sur les zones à forte sémantique et ignorer le bruit de fond marin.

Phase 3 : Le Réseau Antagoniste

Pour passer d'une image "correcte" à une image "ultra-réaliste", un réseau discriminateur (PatchGAN) a été ajouté. Il agit comme un critique d'art, forçant le U-Net à recréer des textures complexes et des couleurs profondes.

Phase 4 : La Robustesse (EUVP)

Pour garantir que notre modèle fonctionne dans tous les océans, le dataset initial a été enrichi avec le dataset massif EUVP. Plus de 11 400 nouvelles images ont été injectées, multipliant par 12 l'expérience de l'IA.

Évaluation Scientifique

Performances du Modèle

L'évaluation scientifique de notre modèle repose sur deux métriques fondamentales mesurées sur des images jamais vues par l'IA lors de son apprentissage :

PSNR (Peak Signal-to-Noise Ratio) : Évalue la fidélité absolue des couleurs et la réduction du bruit.
SSIM (Structural Similarity) : Juge la préservation parfaite de la géométrie et des formes.

Modèle & Architecture	Dataset d'entraînement	PSNR (Couleurs)	SSIM (Géométrie)
U-Net V1 (Standard)	UIEB (890 images)	6.12 dB	0.5553
U-Net V2 (Attention + Bilinear)	UIEB (890 images)	4.85 dB	0.4964
U-Net V3 (Final GAN)	UIEB + EUVP (12 325 images)	12.16 dB	0.7255

Note : Le score SSIM de 0.93 du modèle V2 est déjà considéré comme excellent dans la littérature, prouvant que notre architecture préserve parfaitement les formes (poissons, coraux) et a éliminé l'effet damier. Le passage au GAN sur 12 000 images (V3) a pour objectif de faire décoller le score PSNR en améliorant le réalisme colorimétrique.

Cas d'usage

Applications Industrielles & Scientifiques

Véhicules Autonomes (AUV/ROV)

Les drones sous-marins s'appuient sur des caméras pour la navigation. Notre modèle restaure la clarté de l'eau en temps réel pour améliorer la détection d'obstacles et le SLAM visuel.

Inspection Offshore

Inspection précise des infrastructures submergées (pipelines, éoliennes offshore). La restauration des couleurs permet d'identifier la corrosion et l'usure cachées par la turbidité.

Biologie Marine

Océanographie et écologie : cartographie exacte des récifs coralliens et comptage des espèces. Le modèle restitue les vraies teintes vitales pour évaluer le blanchiment des coraux.

Parcours & Méthodologie

Roadmap du Projet

Mi-Mai à Juin

État de l'art & Certification Deep Learning

Plongée dans la littérature scientifique sur la restauration d'images sous-marines et validation des compétences théoriques via certification spécialisée.

Début Juillet

Baseline U-Net & Dataset UIEB

Développement de l'architecture U-Net classique (PyTorch). Traitement et préparation du premier dataset de référence (UIEB - 890 images).

Fin Juillet

Optimisation & Architecture PatchGAN

Résolution de l'effet damier (Interpolation Bilinéaire) et intégration de l'Attention Spatiale. Construction du réseau antagoniste pour des textures ultra-réalistes.

Début Août

Entraînement Massif (EUVP)

Ajout de la donnée, entraînement sur 12 000+ paires d'images pour la robustesse colorimétrique.

Mi-Août

Déploiement & Rapport

Déploiement via backend FastAPI, tests de l'interface et rédaction du rapport final de stage.

Deep Learning-Based
Underwater Image Enhancement