CRIStAL

STAGE

Dherbomez Caroline — 2026-10-02T14:33:12Z

STAGE - Transformations des paysages sonores pour les environnements de jeu

Coordinateur : Yann Teytaut CRIStAL

Équipe : Algomus du Groupe Thématique : I2C.

Durée : 48 mois

Résumé :

Le son joue un rôle crucial pour favoriser l'immersion dans les environnements virtuels. En ce sens, le projet ANR STAGE (Sound TrAnsformations for Game Environments - Transformation des paysages sonores pour les environnements de jeu) vise à proposer des moyens innovants pour que les concepteurs sonores et compositeurs de jeux puissent créer et contrôler dynamiquement des paysages sonores (virtuels) dans les environnements de jeu, cela en exploitant des descripteurs ("features") haut-niveaux employés en analyse des paysages sonores (naturels), notamment ceux issus de l'écoacoustique - la science surveillant les propriétés écologiques des paysages sonores naturels.

Au coeur de cette recherche se trouve le développement d'un modèle de transformation audio, par apprentissage profond, capable de modifier un paysage sonore d'un état donné (valeurs de descripteurs connues) à un autre, en préservant son essence mais en modifiant certains aspects liés à ces descripteurs (par exemple, nuit vs. jour, ensoleillé vs. pluvieux, peu vs. nombreux oiseaux, environnement sain vs. pollution sonore).

Le modèle développé sera intégré aux environnements de jeu via des interfaces contrôlables permettant la manipulation concrète des paysages sonores. Ces interfaces, ainsi que les sons ambiants résultants, seront évalués à la fois par des concepteurs sonores et des joueurs, et seront utilisés pour simuler et sensibiliser à la pollution et à la dégradation des paysages sonores.

STAGE réunira, pour la première fois, des experts des environnements immersifs, de l'écoacoustique, de la conception sonore pour les jeux vidéos, du machine learning audio, et des interfaces créatives en interaction homme-machine (IHM).

Abstract :

As sound plays a crucial role in enhancing immersion in virtual environments, the ANR STAGE (Soundscape TrAnsformations for Game Environments) project aims to propose innovative means for sound designers and game composers to create and dynamically control (virtual) soundscapes in game environments, by leveraging high-level features used to analyze (natural) soundscapes, notably features coming from ecoacoustics - the science monitoring ecological properties of natural soundscapes.

At the core of this research is the development of a deep learning-based transformation model capable of altering a soudscape from one state (i.e., given feature values) to another, maintaining its essence while changing aspects related to the descriptive feature (e.g., night vs. day, sunny vs. rainy, few vs. many birds, healthy vs. noise pollution).

The developed model will be linked to game environments through controllable interfaces that will allow concrete soundscape manipulation. These interfaces, and the resulting ambient sounds, will be evaluated both by sound designers and gamers, and be used to simulate and raise awareness on soundscape pollution and degradation.

STAGE will, for the first time, bring together experts from immersive environments, ecoacoustics, video game sound design, audio machine learning, and creative HCI interfaces.

SEQO

Dherbomez Caroline — 2026-09-29T13:20:14Z

SEQO - Libérer la synergie de l'optimisation exascale et quantique

Coordinateur : Nouredine Melab CRIStAL

Équipe : BONUS du Groupe Thématique : OPTIMA.

Durée : 48 mois

Résumé :

Ce projet vise la synergie entre le calcul exascale et l'informatique quantique pour résoudre des problèmes d'optimisation combinatoire (COPs) à grande échelle, un domaine encore émergent. Un défi majeur des systèmes quantiques NISQ (Noisy intermediate-Scale Quantum) est l'allocation de qubits - affecter les qubits logiques aux qubits physiques pour minimiser erreurs, décohérence et temps d'exécution. Une allocation efficace peut être formulée comme un COP et résolue à l'optimalité grâce à des méthodes d'optimisation (par exemple Branch-and Bound), revisitées pour l'exascale. Le projet explorera de nouvelles formulations et concevra des méthodes exascale assistées par le Machine Learning, pour améliorer performance, robustesse et scalabilité des systèmes NISQ.

Dans une direction exploratoire opposée et complémentaire, les sous-COPs générés par les calculs exascale, y compris l'allocation de qubits elle-même, seront reformulés en QUBO et résolus par exemple avec des émulateurs quantiques tels que QLM et sa version open-source MyQLM, intégrant les systèmes quantiques comme accélérateurs. Cette approche permettra une évaluation systématique des méthodes hybrides exascale-quantique et offrira une vision détaillée de leurs performances.

La validation expérimentale s'appuiera sur des jeux de tests standard (RevLib, QTBench, etc.) ainsi que sur de nouveaux benchmarks développés dans le projet. Les expériences seront menées sur des supercalculateurs large échelle (Jean-Zay, Slices.fr/Grid'5000), des systèmes du Top500 (LUMI, MeluXina(-AI)) et les futures machines exascales d'EuroHPC (Jupiter, Alice Recoque), ainsi que sur des plateformes quantiques comme MeluXina-Q.

Le projet livrera des solutions optimales, de nouveaux benchmarks et des méthodologies hybrides validées, établissant de nouveaux standards de pointe pour évaluer les méthodes d'optimisation et ouvrant des voies vers l'informatique hybride exascale-quantique pour l'optimisation combinatoire.

Abstract :

This project aims to bridge exascale computing and quantum computing to solve large-scale combinatorial optimization problems (COPs), a field still in its infancy. A key challenge in Noisy Intermediate-Scale Quantum (NISQ) systems is qubit allocation - mapping logical qubits to physical qubits to minimize errors, decoherence, and execution times. Efficient qubit allocation can be formulated as a COP and solved optimally using optimization methods (e.g., Branch-and-Bound) revisited for exascale. The project will explore new formulations and develop exascale methods assisted by Machine Learning to enhance performance, robustness, and scalability of NISQ systems.

In an exploratory opposite and complementary direction, sub-COPs generated by exascale computations, including qubit allocation itself, will be reformulated as QUBOs and solved for instance with quantum emulators such as QLM and its open-source version MyQLM, integrating quantum methods as accelerators. This approach will allow systematic evaluation of hybrid exascale-quantum methods and provide an in-depth understanding of their respective strengths and limitations.

Experimental validation rely on standard test suites (RevLib, QTBench, etc.) as well as new benchmarks developed within the project. Experiments will be conducted on large-scale supercomputers (Jean-Zay, Slices.fr/Grid5000), Top500 systems (LUMI, MeluXina(-AI)), and forthcoming EuroHPC exascale machines (Jupiter, Alice Recoque), as well as on quantum platforms such as MeluXina-Q.

The project will deliver optimal solutions, new benchmarks, and validated hybrid methodologies, setting new state-of-the-art standards for evaluating optimization methods and opening pathways toward hybrid exascale-quantum computing for combinatorial optimization.

R2D2

Dherbomez Caroline — 2026-09-29T08:44:06Z

R2D2 - Détection robuste et fiable des deepfakes

Coordinateur : Jan Butora CRIStAL

Équipe : SIGMA du Groupe Thématique : DatInG.

Durée : 48 mois

Résumé :

Les progrès récents en matière d'intelligence artificielle générative, en particulier les modèles basés sur la diffusion et les pipelines texte-image, ont rendu facile la production d'images photoréalistes pratiquement impossibles à distinguer des photographies authentiques. Si cette avancée technologique offre des possibilités créatives sans précédents, elle porte également atteinte à l'intégrité de l'imagerie numérique et favorise toute une série d'utilisations malveillantes : usurpation d'identité, exploitation des enfants, fraude à l'assurance et manipulation du discours public pendant les élections. Les réponses réglementaires actuelles reposent en grande partie sur le tatouage numérique actif ou les signatures cryptographiques. Cependant, ces mécanismes sont inefficaces contre les acteurs non conformes et nécessitent souvent une connaissance approfondie du système de tatouage numérique.
Le projet R2D2 propose un cadre de vérification indépendant et post-distribution qui complète les mesures de protection actives existantes. S'appuyant sur des détecteurs de pointe, notamment des réseaux neuronaux convolutifs et des transformateurs de vision, R2D2 comblera trois lacunes fondamentales de la détection actuelle des deepfakes : (1) l'absence de garanties statistiques prouvables sur l'erreur de prédiction, (2) la robustesse limitée dans la localisation des manipulations générées par l'IA dans le cadre d'opérations de post-traitement courantes, et (3) la généralisation peu fiable au contenu hors distribution.
À cette fin, R2D2 va : (i) développer des pipelines de détection interprétables dotés de limites de confiance rigoureuse ; (ii) créer des algorithmes de localisation avancés capables de repérer les retouches basées sur l'IA, même après une compression ou un redimensionnement agressifs ; et (iii) concevoir un cadre décisionnel robuste qui s'abstient explicitement en cas d'entrées incertaines ou inconnues.

Abstract :

Recent advances in generative artificial intelligence-particularly diffusion-based models, and text-to-image pipelines-have made it trivial to produce photorealistic images that are virtually indistinguishable from genuine photographs. This technological leap, while enabling unprecedented creative possibilities, simultaneously erodes the integrity of digital imagery and fuels a spectrum of malicious uses : identity fraud, child exploitation, insurance deception, and the manipulation of public discourse during elections. Current regulatory responses largely rely on active watermarking or cryptographic signatures. However, these mechanisms are ineffective against non-compliant actors and often require proprietary knowledge of the watermarking scheme.
The R2D2 project proposes an independent, post-distribution verification framework that complements existing active safeguards. Leveraging state-of-the-art end-to-end learning detectors-including Convolutional Neural Networks and Vision Transformers-R2D2 will address three fundamental shortcomings of current deepfake detection : (1) the absence of provable statistical guarantees on prediction error, (2) limited robustness in localizing AI-generated manipulations under common post-processing operations, and (3) unreliable generalization to out-of-distribution content.
To this end, R2D2 will : (i) develop interpretable detection pipelines equipped with rigorous confidence bounds ; (ii) create advanced localization algorithms capable of pinpointing AI-based inpainting even after aggressive compression or resizing ; and (iii) design a robust decision framework that explicitly abstains when encountering uncertain or unfamiliar inputs.

THALES : Méthodes des moments pour l'inférence de systèmes séquentiels linéaires rationnels

Dherbomez Caroline — 2026-08-28T09:53:31Z

Doctorant : Monsieur Hadrien GLAUDE

Titre de la thèse : Méthodes des moments pour l'inférence de systèmes séquentiels linéaires rationnels

Direction de thèse : Olivier PIETQUIN

Partenariat industriel : THALES

Période : 01/10/2012 - 30/09/2015

Domaine de recherche : Informatique

SNCF : Mesure dimensionnelle d'objets métalliques par vision D

Dherbomez Caroline — 2026-08-25T14:40:37Z

Doctorant : Monsieur Peter Oluwanisola FASOGBON

Titre de la thèse : Mesure dimensionnelle d'objets métalliques par vison D

Direction de thèse : Ludovic MACAIRE

Partenariat industriel : SNCF

Période : 15/10/2012 - 14/10/2015

Domaine de recherche : Automatique

EDF : Représentativité de la modélisation aux éléments finis pour le diagnostic de machines synchrones de grande puissance

Dherbomez Caroline — 2026-08-25T14:34:54Z

Doctorant : Monsieur Alexandre BACCHUS

Titre de la thèse : Représentativité de la modélisation aux éléments finis pour le diagnostic de machines synchrones de grande puissance

Direction de thèse : Ludovic MACAIRE

Partenariat industriel : EDF

Période : 03/12/2012 - 02/12/2015

Domaine de recherche : Automatique

ALTRAN : Recalage élastique et réalité augmentée pour la chirurgie hépatique

Dherbomez Caroline — 2026-08-25T14:28:29Z

Doctorant : Madame Rosalie PLANTEFEVE

Titre de la thèse : Recalage élastique et réalité augmentée pour la chirurgie hépatique

Direction de thèse : Stéphane COTIN

Partenariat industriel : ALTRAN

Période : 01/03/2013 - 08/06/2016

Domaine de recherche : Informatique

METROVISION : Recherche de nouvelles méthodes électrophysiologiques pour la mesure des fonctions visuelles chez le jeune enfant

Dherbomez Caroline — 2026-08-25T14:04:14Z

Doctorant : Madame Maelenn CABON

Titre de la thèse : Recherche de nouvelles méthodes électrophysiologiques pour la mesure des fonctions visuelles chez le jeune enfant

Direction de thèse : Emmanuel DUFLOS / Philippe VANHEEGHE

Partenariat industriel : METROVISION

Période : 11/03/2013 - 10/03/2016

Domaine de recherche : Automatique

Clic and Walk : Task driven representation learning

Dherbomez Caroline — 2026-08-25T13:24:44Z

Doctorante : Madame Pauline WAUQUIER

Titre de la thèse : Task driven representation learning

Direction de thèse : Marc TOMMASI

Partenariat industriel : Clic and Walk

Période : 16/12/2013 - 15/12/2016

Domaine de recherche : Informatique

GENES DIFFUSION : Solutions d'amélioration des études de métagénomique ciblée

Dherbomez Caroline — 2026-08-25T13:19:41Z

Doctorante : Madame Léa SIEGWALD

Titre de la thèse : Solutions d'amélioration des études de métagénomique ciblée

Direction de thèse : Hélène TOUZET / Yves LEMOINE

Partenariat industriel : GENES DIFFUSION

Période : 03/03/2014 - 02/03/2017

Domaine de recherche : Biologie