Charles Deledalle - Curriculum Vitae

• Postdoctorat sur l'estimation du risque pour les problèmes inveres
  CEREMADE laboratory at Université Paris Dauphine (Paris, France),
  De novembre 2011 à octobre 2012

• Moniteur en informatique
  Université Pierre et Marie Currie (Paris 6, France),
  De octobre 2008 à juin 2011

• Chercheur invité sur la réduction du speckle pour les images F-SAR
  Centre aérospatial allemand - DLR (Oberpfaffenhofen, Allemagne),
  D'avril 2011 à mai 2011

• Stage de master recherche
  LTCI, département TSI (Télécom ParisTech, Paris, France),
  Débruitage d'images radar à ouverture synthétique
  De avril 2008 à septembre 2008

• Recherche sur la Vérification du Locuteur indépendament du texte
  Laboratoire de Recherche et Développement de l'EPITA (EPITA, Kremlin Bicêtre, France)
  De janvier 2006 à septembre 2008

• Mission de référencement
  AddedLifeValue (Düsseldorf, Deutschland)
  Etude de la politique Google, passage de Divorce.fr en 2ieme position sur Google.fr
  De avril 2007 à août 2007

• Associé à la SARL M2pi
  SARL M2pi (Paris, France)
  Dévelopement d'applications C/C++, Java/JSP et Ruby on Rails
  De 2002 à 2006

Formation

• Doctorat en traitement du signal et des images
  LTCI, département TSI (Télécom ParisTech, Paris, France),
  Régularisation, extraction d'informations et interprétation en imagerie SAR multi-modalités
  avec Florence Tupin (Directeur), Isabelle Bloch (Co-directeur) et Loïc Denis (Collaborateur).
  Du 1er octobre 2008 au 30 septembre 2011

• Master 2 Recherche Sciences et Technologies
  Université Pierre et Marie Currie (Paris 6, France)
  Spécialité : Intelligence Artificielle et Décision
  Parcours : Recherche d'informations et Multimédia
  Mention très bien
  De septembre 2007 à septembre 2008

• Ecole d'ingénieur en informatique
  Ecole Pour l'Informatique et les Techniques Avancées (EPITA, Kremlin Bicêtre, France)
  Spécialité : Calcul Scientifique et Images
  Mention très bien
  De septembre 2005 à septembre 2008

 

• Echange ERASMUS à l'université d'Utrecht
  Utrecht University (Utrecht, Netherlands)
  Département informatique
  Section : Technologies agents
  De septembre 2006 à janvier 2007

• Classes préparatoire math sup/spé
  Ecole Pour l'Informatique et les Techniques Avancées (EPITA, Kremlin Bicêtre, France)
  De septembre 2003 à juin 2005

• Baccalauréat scientifique
  Lycée Notre-Dame (France)
  Spécialité mathématiques
  Mention bien
  Juin 2003

Doctorat

• Sujet :
  Débruitage d'images au-delà du bruit additif gaussien
  Estimateurs à patchs et leur application à l'imagerie SAR

• Réalisée au département Traitement du signal et des images (TSI) du LTCI de Télécom ParisTech
  avec Florence Tupin (Directeur) et Loïc Denis (Co-directeur).
  Du 1er octobre 2008 au 30 septembre 2011
  

• Soutenue le 15 novembre 2011 devant:
  

  Jose Bioucas Dias	Instituto de Telecomunicações	Rapporteur
  Jean-François Giovannelli	Univiversité Bordeaux 1	Examinateur
  Laure Blanc-Féraud	CNRS -- Sophia Antipolis	Présidente
  Jean-Michel Morel	ENS Cachan	Rapporteur
  Philippe Réfrégier	Ecole centrale de Marseille	Rapporteur
  Andreas Reigber	German Aerospace Center, DLR	Examinateur

• Voir :
  
  • Résumé et manuscript (TEL/HAL)
  • Présentation (pdf)
  • Sujet original

Publications récentes

Some of the publications below have appeared in an IEEE journal, Springer journal, Elsevier journal or conference record. By allowing you to download them, I am required to post the following copyright reminder: "This material is presented to ensure timely dissemination of scholarly and technical work. Copyright and all rights therein are retained by authors or by other copyright holders. All persons copying this information are expected to adhere to the terms and constraints invoked by each author's copyright. In most cases, these works may not be reposted without the explicit permission of the copyright holder."

Accelerating GMM-based patch priors for image restoration: Three ingredients for a 100x speed-up, Shibin Parameswaran, Charles-Alban Deledalle, Loïc Denis, Truong Q. Nguyen IEEE Transactions on Image Processing, vol. 28, no. 2, pp. 687-698, 2019 (IEEE Xplore, recommended pdf, HAL, ArXiv) Presented at 5G and Beyond forum, May 2018, La Jolla, CA, USA (poster)   Image restoration methods aim to recover the underlying clean image from corrupted observations. The Expected Patch Log-likelihood (EPLL) algorithm is a powerful image restoration method that uses a Gaussian mixture model (GMM) prior on the patches of natural images. Although it is very effective for restoring images, its high runtime complexity makes EPLL ill-suited for most practical applications. In this paper, we propose three approximations to the original EPLL algorithm. The resulting algorithm, which we call the fast-EPLL (FEPLL), attains a dramatic speed-up of two orders of magnitude over EPLL while incurring a negligible drop in the restored image quality (less than 0.5 dB). We demonstrate the efficacy and versatility of our algorithm on a number of inverse problems such as denoising, deblurring, super-resolution, inpainting and devignetting. To the best of our knowledge, FEPLL is the first algorithm that can competitively restore a 512x512 pixel image in under 0.5s for all the degradations mentioned above without specialized code optimizations such as CPU parallelization or GPU implementation.

Image denoising with generalized Gaussian mixture model patch priors, Charles-Alban Deledalle, Shibin Parameswaran, Truong Q. Nguyen SIAM Journal on Imaging Sciences, vol. 11, no. 4, pp. 2568-2609, 2018 (epubs SIAM, HAL, ArXiv) Presented at LIRMM Seminar, Jan 2019, Montpellier, France (slides)   Patch priors have become an important component of image restoration. A powerful approach in this category of restoration algorithms is the popular Expected Patch Log-likelihood (EPLL) algorithm. EPLL uses a Gaussian mixture model (GMM) prior learned on clean image patches as a way to regularize degraded patches. In this paper, we show that a generalized Gaussian mixture model (GGMM) captures the underlying distribution of patches better than a GMM. Even though GGMM is a powerful prior to combine with EPLL, the non-Gaussianity of its components presents major challenges to be applied to a computationally intensive process of image restoration. Specifically, each patch has to undergo a patch classification step and a shrinkage step. These two steps can be efficiently solved with a GMM prior but are computationally impractical when using a GGMM prior. In this paper, we provide approximations and computational recipes for fast evaluation of these two steps, so that EPLL can embed a GGMM prior on an image with more than tens of thousands of patches. Our main contribution is to analyze the accuracy of our approximations based on thorough theoretical analysis. Our evaluations indicate that the GGMM prior is consistently a better fit for modeling image patch distribution and performs better on average in image denoising task.

24. Generalized SURE for optimal shrinkage of singular values in low-rank matrix denoising, Jérémie Bigot, Charles Deledalle, Delphine Féral Journal of Machine Learning Research, vol. 18, no. 137, pp. 1-50, 2017 (JMLR, ArXiv) Presented at ISNPS'2018, June, Salerno, Italy (slides)   We consider the problem of estimating a low-rank signal matrix from noisy measurements under the assumption that the distribution of the data matrix belongs to an exponential family. In this setting, we derive generalized Stein's unbiased risk estimation (SURE) formulas that hold for any spectral estimators which shrink or threshold the singular values of the data matrix. This leads to new data-driven shrinkage rules, whose optimality is discussed using tools from random matrix theory and through numerical experiments. Our approach is compared to recent results on asymptotically optimal shrinking rules for Gaussian noise. It also leads to new procedures for singular values shrinkage in matrix denoising for Poisson-distributed or Gamma-distributed measurements.

Récompenses

	UCSD ECE Best Lecturer Award. For my graduate classes on Machine Learning and Image Processing.
	IEEE GRSS 2016 Transaction Prize Paper Award pour l'article "NL-SAR: a unified Non-Local framework for resolution-preserving (Pol)(In)SAR denoising", Authors: Charles-Alban Deledalle, Loïc Denis, Florence Tupin, Andreas Reigber et Marc Jäger.
	CNRS Prime d'excellence scientifique 2013 pour mes recherches intitulés "Inférence et prise en compte de modèles d'images naturelles complexes et variées pour la restauration"
	Prix de thèse Signal, Image et Vision 2011. Club EEA / GdR ISIS / GRETSI pour la thèse "Débruitage d'images au-delà du bruit additif gaussien - Estimateurs à patchs et leur application à l'imagerie SAR"
	Best student paper award IEEE ICIP 2010 pour l'article "Poisson NL Means: Unsupervised Non Local Means for Poison Noise", Authors: Charles-Alban Deledalle, Loïc Denis et Florence Tupin.

Séminaires, colloques invités et salons :