Amélioration de la sécurité des capteurs d'images, l'IA au service du tatouage numérique fragile et robuste

Ce sujet de thèse vise à améliorer la sécurité des capteurs d'images à travers l’exploration approfondie des récentes techniques d'apprentissage profond appliquées au tatouage numérique. Ce procédé de stéganographie consiste à dissimuler un message invisible dans un contenu image sans en altérer le rendu ; message pouvant être récupéré à l’aide d’un autre procédé dit d’extraction. Dans le contexte des chaînes algorithmiques de rendu d'images intégrées aux capteurs, cette étude vise à relever le défi double consistant à assurer un tatouage numérique à la fois résistant contre des attaques intentionnelles visant à briser le marquage (tatouage robuste) tout en maintenant une grande sensibilité aux altérations (tatouage fragile). L'objectif de cette approche duale est non seulement d'améliorer la sécurité des données capteur, mais ouvre de nouvelles perspectives en termes d'authentification, de détection de manipulation ou de contrefaçon, combinées à la vérification de l'intégrité des données. Ce sujet balayera des domaines allant de la conception d’algorithmes de rendu d'images utilisant des modèles d'apprentissage profond utilisant des mécanismes d'attention, aux subtilités de l'incorporation simultanée de plusieurs clés/filigranes, répondant ainsi à l'exigence de caractéristiques à la fois robustes et fragiles. Ce sujet constitue donc une opportunité pour les candidats manifestant un intérêt pour l'apprentissage profond, le traitement d'images et de la stéganographie/cryptographie. Il offre non seulement un champ de recherche académique large pour des contributions scientifiques significatives, mais également un potentiel de résultats concrets pour de futurs transferts technologiques. En pratique, le travail consistera à trouver des solutions algorithmiques innovantes ayant pour but d’améliorer les performances du tatouage, solutions conçues pour faire face aux attaques les plus avancées à l’état de l’art et basées sur l'apprentissage profond, tout en s’assurant la préservation d’une haute qualité du rendu d'image.