Ancré dans la science

Une méthode pour produire des masques structurels locaux denses à partir de statistiques en fenêtre glissante — une carte continue des zones où la concentration et la variabilité structurelles sont localement significatives. Entièrement non supervisée et pilotée par les données : sans entraînement ni annotation.

Les masques restent stables sur un large éventail d'images naturelles et de conditions d'acquisition, et capturent la structure au-delà des représentations classiques par contours ou gradients — un signal de guidage générique pour les tâches en aval.

Une méthode non supervisée d'extraction de régions d'intérêt à partir de la seule organisation structurelle locale — sans interprétation sémantique ni connaissance préalable de la scène. Des masques structurels denses sont agrégés en zones cohérentes concentrant une part significative de la structure de l'image.

Sur 120 images naturelles (Flickr2K) et le jeu UETT4k-Anti-UAV (30 images), elle atteint 95–99 % de réduction spatiale, dépasse les bases Sobel/Laplacien et égale les approches par entropie de Shannon — avec une meilleure cohérence spatiale.

Une formulation multi-échelle de la mesure structurelle φ fondée sur un consensus inter-échelles : les réponses sont calculées à plusieurs échelles spatiales et combinées par un mécanisme de vote, supprimant la sensibilité des masques mono-échelle à la taille de fenêtre.

La version multi-échelle donne des masques plus compacts, moins de régions parasites et une sélection de ROI nettement plus stable selon la taille de fenêtre que les formulations mono-échelle — une extension canonique robuste.

Une approche de super-résolution qui conditionne explicitement le réseau sur une mesure structurelle locale Φ, calculée de façon déterministe depuis l'entrée basse résolution, aux côtés de la luminance et de la chrominance. Ce prior explicite pilote une reconstruction adaptative du détail fin tout en restant conservateur dans les zones plates — limitant les hallucinations non contrôlées.

Sur un modèle ×4 en une étape, sur 223 images Flickr2K, le conditionnement par Φ améliore systématiquement la reconstruction face aux bases d'interpolation classiques, agissant comme un prior structurel interprétable — surtout dans les régions à forte complexité structurelle.

Un rehaussement strictement confiné aux régions d'intérêt structurelles détectées automatiquement — rien n'est touché en dehors. Deux mécanismes sont étudiés : un masquage flou (unsharp) guidé par la structure, et un CLAHE à limite d'écrêtage adaptative à la structure.

Sur 200 images naturelles, 15 méthodes et 4 tailles de fenêtre, la variante CLAHE guidée par φ multi-échelle bat toutes les bases par gradient ou entropie : rehaussement le plus fort dans la ROI avec la plus faible fuite au dehors, et à son échelle optimale elle dépasse le CLAHE standard de 73 %.

Une synthèse exécutive de la caractérisation qualité de PHI-SR, un pipeline de super-résolution à zoom continu à facteur d'échelle arbitraire (typiquement ×2 à ×8). Elle consolide trois axes : la stabilité du signal φ sous dégradation, la robustesse sur captures réelles de capteurs, et la portabilité multi-domaines (photo, urbain, aérien, infrarouge thermique).

Le signal φ garde une corrélation positive à sa référence sous tous les régimes de dégradation ; sur captures réelles Canon/Nikon, PHI-SR montre un avantage perceptuel (LPIPS) sur LIIF — y compris sous dégradations ajoutées, et de façon marquée en infrarouge thermique.

Une note préliminaire sur l'effet d'une modification légère et propriétaire du flux d'entrée d'un world model JEPA pixel-native — déterministe, locale et peu coûteuse, appliquée sans changer la tâche, l'architecture ni l'entraînement. Seuls les écarts relatifs et les taux de succès agrégés sont rapportés.

Sur deux environnements visuomoteurs : jusqu'à −75 % de perte de prédiction en données propres ; succès de planification sous bruit porté de 28 % à 44 % ; sur manipulation bruitée, la baseline passe de 0 % à 4–8 %. L'effet en manipulation propre reste non concluant.