Thèse : Flots Normalisants pour la Détection d'Anomalies non supervisée sur Ouvrages d'Art

Jury :

• M. Fabrice HEITZ – PROFESSEUR DES UNIVERSITES, Université de Strasbourg : Examinateur
• M. Christophe BIERNACKI – DIRECTEUR DE RECHERCHE, Centre Inria de l'Université de Lille : Rapporteur
• Mme Beatriz MARCOTEGUI – PROFESSEURE, Mines Paris - PSL : Rapporteure
• M. Jocelyn CHANUSSOT – DIRECTEUR DE RECHERCHE, Centre Inria de l'Université Grenoble Alpes : Examinateur
• M. Florence FORBES – DIRECTRICE DE RECHERCHE, Centre INRIA de l'Université Grenoble Alpes, Directrice de thèse : Invitée
• M. Pierre CHARBONNIER – DIRECTEUR DE RECHERCHE, Cerema Strasbourg, Co-directeur de thèse : Invité
• M. Philippe FOUCHER – CHARGE DE RECHERCHE, Cerema Strasbourg, Encadrant de thèse  : Invité

Résumé : 
L'inspection des ouvrages d'art est indispensable pour évaluer leur état et garantir la sécurité des usagers, mais l'identification manuelle des défauts reste une tâche longue et coûteuse. Si l'analyse automatique d'images constitue une piste prometteuse, les méthodes supervisées sont contraintes par le manque de données annotées et la rareté des défauts.
Cette thèse explore ainsi de nouvelles méthodes d'apprentissage, dites "non supervisées", capables d'apprendre uniquement à partir d'images d'ouvrages sains. Elles détectent comme anomalies les éléments s'écartant de cette normalité apprise. Après une analyse comparative de plusieurs paradigmes d'apprentissage sur une base d'images dédiée aux défauts d'ouvrages d'art acquise durant la thèse, ce travail se concentre sur les modèles Normalizing Flows, reconnus pour leur robustesse en détection d'anomalies. Différentes stratégies sont alors étudiées pour améliorer leur efficacité : analyse approfondie de leur architecture, pré-entraînement à partir d'anomalies synthétiques générées par interpolation de Poisson, et intégration d'un apprentissage contrastif. Ces contributions conduisent à un modèle mieux adapté aux images d'ouvrages d'art et capable d'améliorer significativement la détection automatique des défauts.