Vision par ordinateur / Projet
Nostalix · Restauration d’images et de vidéos
Restauration d’images et de vidéos avec RRDBNet, Real-ESRGAN et GFPGAN, exposée via une API Flask.
- Mon rôle
- Machine learning & développement applicatif
- Période
- Déc. 2025 — Janv. 2026
- PSNR
- ≈28,5 dB
- SSIM
- ≈0,92
- Facteur d’agrandissement
- 4×
Résultats d’évaluation du projet. 4× correspond au facteur d’agrandissement ; la qualité dépend des données d’entrée.
01 / Le contexte
Le problème étudié
Une application de restauration d’images et de vidéos dégradées : archives, images généralistes et contenus anime ou manga.
02 / Ma contribution
Mon travail
Préparation des données, entraînement et évaluation de modèles, puis intégration de modèles préentraînés à une API et une application web.
Le défi
Concilier qualité de restauration, traitement des images et des vidéos, et mémoire GPU disponible.
03 / La démarche
Le fonctionnement du système
- Préparer 52 000 images FFHQ par normalisation, redimensionnement, extraction de patchs et augmentation.
- Entraîner des modèles RRDBNet avec PyTorch et évaluer PSNR, SSIM et MSE.
- Exposer quatre modèles préentraînés Real-ESRGAN / GFPGAN via une API REST Flask.
- Prendre en charge les lots d’images et de vidéos, la détection du GPU, l’adaptation à la mémoire et l’agrandissement 4×.
04 / Les résultats
Les réalisations
- MSE d’environ 0,012 dans l’évaluation rapportée.
- Une application web reliant les modèles de restauration au traitement d’images et de vidéos par lots.
Voir la capture de l’application Nostalix
Projet suivant