Tatouage numérique d'image robuste aux distorsions géométriques Détection de données hors distribution pour la classification

Image watermarking robust against geometric transformationsIncreasing deep classifiers reliability with out-of-distribution detection

• Auteur / Autrice : Maxime Ossonce
• Direction : Florence Alberge, Pierre Duhamel
• Type : Thèse de doctorat
• Discipline(s) : Sciences des réseaux, de l'information et de la communication
• Date : Soutenance le 18/12/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Systèmes et Applications des Technologies de l'Information et de l'Energie - Laboratoire des signaux et systèmes (Gif-sur-Yvette, Essonne ; 1974-....)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-....)
• Jury : Président / Présidente : Johanne Cohen
• Jury : Examinateurs / Examinatrices : Patrick Bas, Antoine Manzanera, Aline Roumy, Nicolas Audebert
• Jury : Rapporteurs / Rapporteuses : Patrick Bas, Antoine Manzanera

Mots clés

Mots clés contrôlés

Traitement d'image par ordinateur

Intelligence artificielle

Apprentissage profond

Vision par ordinateur

Apprentissage automatique

Mots clés libres

Taouage d'image

Détection de données hors-Distribution

Apprentissage profond

Auto-Encodage variationnel

Image watermarking

Out-Of-Distribution detection

Deep learning

Variational autoencoding

Résumé

La première partie propose un schéma de tatouage d'image aveugle à débit zéro visant la protection discrète des œuvres photographiques, conçu pour résister aux distorsions géométriques et au cycle impression/numérisation (P/S). L'idée centrale est d'opérer dans un domaine invariant tractable : la marque est insérée et détectée via la moyenne radiale du spectre d'amplitude, ce qui rend l'incrustation additive sur le module de la transformée de Fourier et simplifie toute la chaı̂ne. Cette simplification permet ensuite une mise en forme du signal optimisée par théorie des jeux, conformément au principe de Cox (incruster la marque de tatouage sur des composantes perceptuellement significatives) afin de maximiser la robustesse sous contrainte d'imperceptibilité. L'ensemble cadre ainsi un pipeline efficace: choix de bande fréquentielle utile, corrélation et seuillage en détection, et robustesse démontrée face aux attaques géométriques et de type P/S.Dans la deuxième partie, l'on s'intéresse à la détection de données hors-distribution dans la classification par réseaux de neurones. Les données hors-distribution sont des données issues d'une loi de probabilité différente de celle qui gouverne les données utilisées pour l'entraı̂nement du classifieur. La décision rendue par le classifieur sur ces données n'est pas pertinente : il est ainsi nécessaire de les détecter comme telle pour assurer la fiabilité du système. Dans une première approche, nous structurons l'espace latent d'un auto-encodeur pour effectuer la classification et la détection d'hors-distribution par une estimation de la vraisemblance de l'entrée conditionnée aux différentes classes à détecter. Afin d'améliorer la séparation des données hors-distribution dans l'espace latent de l'auto-encodeur, nous proposons ensuite une méthode d'ajustement fin du modèle sur le lot à tester. Les performances de la méthode sont évaluées et comparées aux méthodes de l'état de l'art de détection de données hors-distribution ainsi que dans le cadre plus large de la classification sélective avec détection de données hors-distribution (SCOD).

The first part proposes a blind zero-bit image watermarking scheme for the unobtrusive protection of photographic works, designed to withstand geometric distortions and the print/scan (P/S) cycle. The core idea is to operate in a tractable invariant domain: the watermark is inserted and detected via the radial average of the amplitude spectrum, which makes the embedding additive on the magnitude of the discrete Fourier transform and simplifies the entire pipeline. This simplification enables game-theoretic signal shaping, in line with Cox's principle (embedding the watermark in perceptually significant components), to maximize robustness under an imperceptibility constraint. Altogether, this frames an efficient pipeline: selection of a useful frequency band, correlation and thresholding at detection, and demonstrated robustness to geometric and P/S attacks.In the second part, we focus on detecting out-of-distribution (OOD) data in deep learning classification. OOD data are samples drawn from a probability distribution different from the one governing the data used to train the classifier. The classifier's decision on such inputs is not meaningful; they must therefore be detected as such to ensure system reliability. In a first approach, we structure the latent space of an autoencoder to perform both classification and OOD detection by estimating the likelihood of the input given the target classes. To further separate OOD data in the autoencoder latent space, we then propose a method for finetuning the model on the tested batch. The method's performance is evaluated and compared with state-of-the-art OOD detection techniques, and within the broader framework of selective classification with OOD detection (SCOD).