Thèse apprentissage de transformées adaptées pour la compression vidéo F/H at Orange Netherlands

Cesson-Sévigné, Brittany, France -

Full Time

Start Date

Immediate

Expiry Date

21 Aug, 26

Salary

0.0

Posted On

23 May, 26

Experience

0 year(s) or above

Remote Job

Yes

Telecommute

Yes

Sponsor Visa

Skills

Signal Processing, Image Processing, Video Processing, Python, PyTorch, C++, Machine Learning, Neural Networks, Video Compression, VVC, HEVC, AVC

Industry

Telecommunications

Description

Publication date : May 21, 2026, 10:10AM Votre rôleest d’effectuer un travail de thèse surl’apprentissage de transformées adaptées pour la compression vidéo. Contexte global et problématique du sujet Année après année, la quantité de vidéos échangées sur Internet ne cesse d’augmenter. De plus, de nouveaux formats de vidéos émergent régulièrement, offrant toujours d’avantage d’immersion à l’utilisateur. De ce fait, les outils de compression sont amenés à évoluer pour s’adapter à la variété de formats mis en jeu et apporter les outils permettant de les véhiculer sur les réseaux. Ils doivent offrir un débit toujours plus faible, tout en garantissant une bonne qualité à l’utilisateur. En outre, il est nécessaire de compresser des contenus de natures différentes(textures, cartes de profondeur et de géométrie, volumes) et de tirer parti des redondances entre ces éléments. En 2020, une norme dénommée «Versatile Video Coding» MPEG-I / H.266 a été publiée. Elle consiste en une amélioration incrémentale des précédentes normes (HEVC/H.265 et AVC/H.264) et augmente significativement l’efficacité de compression, aussi bien pour du contenu vidéo 2D «standard» que des contenus immersifs. En parallèle de l’amélioration de ces algorithmes de compression conventionnels, des algorithmes basés sur l’apprentissage et notamment les réseaux de neurones ont émergé au cours des dernières années. Ces éléments basés neuronal sont désormais communément intégrés dans les algorithmes de codage vidéo conventionnels en vue d’améliorer la capacité de compression des données. Une norme de compression sera développée à partir de 2027 pour intégrer ces progrès en compression avec des enjeux de complexité calculatoire réduite et d’empreinte mémoire contenue assurant une consommation électrique réduite. L’un des points faibles des approches neuronales existantes est leur complexité relativement importante et leur difficulté d’intégration dans un schéma conventionnel. En particulier elles sont limitées dans leur capacité d’adaptation aux différentes variétés de données. C’est une différence importante avec les approches conventionnelles (HEVC, VVC) qui offrent une compétition de différents modes de codage, qui sont autant de façon de compresser le signal et de s’adapter à sa nature. C’est dans ce contexte que les approches basées apprentissage étudiées dans cette thèse joueront un rôle important: il s’agit d’apprendre des outils, de prédiction et transformation, pour qu’ils fonctionnent dans un cadre de codage conventionnel, c'est-à-dire fonctionnant sur des architectures de calculs potentiellement dénuées d’accélérateur neuronaux. Objectif scientifique – résultats et verrous à lever L’objectif de cette thèse est ainsi d’introduire massivement la notion de compétition et d’adaptation au contenu dans une approche de compression neuronale pour intégration dans un contexte de codage vidéo conventionnel. Compétences et qualités requises: Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste o Compétences en traitement du signal o Appétence pour le traitement d’image / vidéo o Connaissances approfondies en Python Pytorch et également C/C++, o Expérience en apprentissage automatique o Rigueur et créativité Formation demandée(master, diplôme d’ingénieur, doctorat, domaine scientifique et technique …) o Master Recherche ou école d’ingénieur Expériences souhaitées(stages, …) o Expérience significative en codage et traitement images/vidéos o Expérience en apprentissage basé réseaux de neurones o Fondamentaux en traitement du signal (filtrage, transformations, …) L’objectif de la thèse est de définir des moyens permettant de mieux adapter les algorithmes de compression neuronale dans un contexte de codage conventionnel. Elle a donc vocation à étendre les connaissances en IA appliquée au codage vidéo. Dans un premier temps la thèse a pour objectif de clarifier et cartographier les différentes façons d’intégrer des éléments basse complexité issus des techniques neuronales au codage conventionnel. Cela imposera une connaissance approfondie des techniques de codage conventionnel (prédiction, transformation, codage entropique,…). Cela sera basé sur une étude bibliographique sur les techniques de traitement du signal et d’apprentissage automatique appliqués à la compression d’images et de vidéos. Sur la base de cette étude, un axe technique de développement sera proposé pour améliorer un codeur vidéo conventionnel, proche de VVC, en lui apportant un élément de compétition appris dans un cadre neuronal. Les développements se feront dans un mode coopératif avec les ingénieurs / docteurs de l’unité de recherche et en contribuant: · à la définition de la future norme de compression vidéo · à la poursuite du développement de son code open source · à la rédaction d’articles et contributions scientifiques en conférences internationales · vous contribuerez également au développement de la propriété intellectuelle de Orange via le dépôt de brevets. L’ambition de la Division Innovation est de porter plus loin l’innovation d’Orange et de renforcer son leadership technologique, en mobilisant nos capacités de recherche pour nourrir une innovation responsable au service de l’humain, éclairer les choix stratégiques du Groupe à long terme et influencer l’écosystème digital mondial. Nous formons les expertes et les experts des technologies d’aujourd’hui et de demain, et veillons à une amélioration continue de la performance de nos services et de notre efficacité. La division Innovation rassemble, dans le monde, 6000 salariés dédiés à la recherche et l’innovation dont 740 chercheurs. Porteurs d’une vision globale avec une grande diversité de profils (chercheurs, ingénieurs, designers, développeurs, data scientists, sociologues, graphistes, marketeurs, experts en cybersécurité…), les femmes et les hommes de Innovation sont à l’écoute et au service des pays, des régions et des business units pour faire d’Orange un opérateur multiservices de confiance. Au sein de Innovation, vous serez intégré(e) dans une équipe de recherche à la pointe de l’innovation et de l’expertise sur la compression vidéo. L’équipe joue un rôle essentiel dans le processus de standardisation de standards internationaux (ISO/MPEG et ITU-T), ce qui donne un côté applicatif et rythmé à cette étude doctorale. Les résultats de la thèse pourront être directement intégrés dans la norme de compression vidéo en cours de définition qui constitue un enjeu majeur At Orange, only your skills matter. Regardless of your age, gender, background, origin, religion, sexual orientation, disability, neurodiversity, or appearance, we actively encourage diversity within our teams, as it is a collective strength and a driver of innovation. Orange is a disability-inclusive employer: please feel free to let us know about any specific needs you may have.

How To Apply:

Incase you would like to apply to this job directly from the source, please click here

Responsibilities

Conduct PhD research on learning adapted transforms for video compression to be integrated into conventional coding frameworks. Contribute to the definition of future video compression standards, develop open-source code, and publish scientific articles and patents.