Jérôme BUISINE

Mr. Jérôme BUISINE

Université du Littoral Côte d'Opale - LISIC
orcid

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
6 January 2021 in Entropy
Verified
Journal Article
Open access
PDF file
Jérôme BUISINEJérôme BUISINE
Jérôme BUISINE
Andre BigandAndre Bigand
Andre Bigand
RSRémi Synave
Rémi Synave
SDSamuel Delepoulle
Samuel Delepoulle
Christophe RenaudChristophe Renaud
Christophe Renaud
The estimation of image quality and noise perception still remains an important issue in various image processing applications. It has also become a hot topic in the field of photo-realistic computer graphics where noise is inherent in the calculation process. Unlike natural-scene images, however, a reference image is not available for computer-generated images. Thus, classic methods to assess noise quantity and stopping criterion during the rendering process are not usable. This is particularly important in the case of global illumination methods based on stochastic techniques: They provide photo-realistic images which are, however, corrupted by stochastic noise. This noise can be reduced by increasing the number of paths, as proved by Monte Carlo theory, but the problem of finding the right number of paths that are required in order to ensure that human observers cannot perceive any noise is still open. Until now, the features taking part in the human evaluation of image quality and the remaining perceived noise are not precisely known. Synthetic image generation tends to be very expensive and the produced datasets are high-dimensional datasets. In that case, finding a stopping criterion using a learning framework is a challenging task. In this paper, a new method for characterizing computational noise for computer generated images is presented. The noise is represented by the entropy of the singular value decomposition of each block composing an image. These Singular Value Decomposition (SVD)-entropy values are then used as input to a recurrent neural network architecture model in order to extract image noise and in predicting a visual convergence threshold of different parts of any image. Thus a new no-reference image quality assessment is proposed using the relation between SVD-Entropy and perceptual quality, based on a sequence of distorted images. Experiments show that the proposed method, compared with experimental psycho-visual scores, demonstrates a good consistency between these scores and stopping criterion measures that we obtain.

12 March 2021 in Journal of Open Source Software
Verified
Journal Article
Open access
PDF file
Jérôme BUISINEJérôme BUISINE
Jérôme BUISINE
SDSamuel Delepoulle
Samuel Delepoulle
CRChristophe Renaud
Christophe Renaud

12 May 2026 in Journal of Open Research Software
Verified
Journal Article
Closed access
VMVasiliki Myrodia
Vasiliki Myrodia
Jérôme BUISINEJérôme BUISINE
Jérôme BUISINE
SDSamuel Delepoulle
Samuel Delepoulle
LMLaurent Madelain
Laurent Madelain

6 April 2026
Verified
Thesis
Closed access
Jérôme BUISINEJérôme BUISINE
Jérôme BUISINE
Les méthodes de simulation de l’éclairage, utilisées en synthèse d’images, permettent d’obtenir des vues dites photo-réalistes d’environnements virtuels 3D. Pour ce faire, elles utilisent des méthodes stochastiques, s’appuyant sur la théorie des grands nombres, qui explorent l’espace des chemins lumineux et se caractérisent par une convergence progressive de l’image vers la solution. Cette progressivité se traduit visuellement par la présence de bruit, qui se résorbe progressivement au fur et à mesure de l’avancée des calculs. Ce bruit doit être identifié et quantifié, afin de disposer de critères perceptifs permettant d’arrêter les algorithmes dans les différentes zones de l’image. Ceci est d’autant plus important que les temps de calcul d’une image se comptent en heures, voire en dizaines d’heures de calcul. Disposer de critères fiables pour arrêter les calculs en différents points d’une image permettrait donc de réaliser des gains de temps importants. Dans cette thèse, nous proposons d’utiliser des méthodes statistiques et d’apprentissage automatique pour la réduction et détection de ce bruit généré. Les contributions réalisées dans le cadre de cette thèse sont : (i) la constitution d’une base d’images de synthèse avec recueil de seuils subjectifshumains du bruit résiduel, (ii) l’étude et la gestion d’un bruit local hautement perceptible, (iii) la création de modèles d’apprentissage profond sur cette base d’images étiquetées et (iv) une phase de validation des images reconstruites obtenues (apprises ou non) à partir des modèles de perception à partir d’évaluations subjectives. Des travaux connexes à la thématique de la thèse, notamment relatifs à la gestion d’un bruit spécifique dans les images nommé « firefly », ont été proposés, tout comme l’application d’une méthode permettant de cibler les caractéristiques de bruit étudiées.