Sécurité du contenu vidéo dans une architecture de codage par apprentissage profond

Résumé du projet de thèse

Au cours des dernières décennies, de nombreux algorithmes de compression vidéo ont été développés, la plupart se basant sur une architecture hybride combinant un codage par transformation et un codage prédictif. Les standards tels que H.264/AVC, HEVC et VVC suivent ce principe. Bien qu'ils offrent des performances de compression très efficaces, chaque module suit un design manuel et rigide. Par ailleurs, ces modules ne peuvent pas être optimisés conjointement de bout en bout.

En parallèle, ces dernières années ont été marquées par le succès retentissant de l'apprentissage profond dans de nombreuses disciplines, notamment en vision par ordinateur et en traitement d'images. Ainsi, des architectures de codage basé sur l’apprentissage profond et une optimisation de bout en bout ont été proposées [Ding 2021, Li 2021, Quach 2022, Chen 2025]. Notamment, différentes solutions ont montré des performances compétitives pour le codage vidéo par rapport aux approches classiques.

Dans ce contexte émergeant d’un codage vidéo par apprentissage profond, l’objectif de cette thèse est d’étudier la sécurité du contenu vidéo, notamment la confidentialité et l’intégrité du contenu. Bien que des solutions existent dans le contexte des codeurs classiques [Dufaux 2008, Shahid 2011, Shahid 2014, Boyadjis 2017], à notre connaissance, l’application à ces nouveaux codeurs n’a pas encore été explorée dans la littérature et soulève de nouveaux enjeux.

Dans un premier temps, afin de préserver la confidentialité de la vidéo, nous planifions d’étudier le chiffrement ou l’obscuration des variables dans l’espace latent, après la quantification, mais avant le codeur entropique. Dans ce but, on peut considérer l’information Intra, l’information de résidu, l’information de mouvement, ou une combinaison. Cette approche garantie que le flux binaire compressé peut toujours être décodé, mais avec une vidéo reconstruite bruitée. Afin d’éviter une augmentation importante du débit, il faut veiller à préserver les statistiques des variables latentes. Comme l’espace latent présente une information sémantique du contenu, cette approche a le potentiel de permettre un chiffrement sélectif de certains objets de la scène, par exemple de flouter les visages dans un scénario de vidéo surveillance. Dans un deuxième temps, nous planifions d’explorer la vérification d’intégrité du contenu. Plus précisément, nous envisageons l’utilisation d’une fonction de hachage dans l’espace latent, combiné avec une signature numérique. Une attaque est détectée lorsque la signature numérique est manquante ou lorsque la valeur de hachage est différente de celle déchiffrée à partir du flux compressé.

L’objectif de cette thèse est d’étudier la sécurité du contenu vidéo dans une architecture de codage vidéo par apprentissage profond, notamment la confidentialité et l’intégrité du contenu.

The objective of this thesis is to study the security of video content in a deep learning video coding architecture, in particular the confidentiality and integrity of the content.
Ce projet s'inscrit dans le contexte de la protection des données multimédias, de plus en plus présentes dans notre quotidien, notamment les images, les vidéos et l'audio. Cette protection vise à sécuriser leur transmission sur les réseaux, leur archivage dans le cloud et leur visualisation. Il est aujourd'hui très facile de copier, de s'approprier, voire de falsifier des données multimédias. Par conséquent, les problèmes de confidentialité, d'intégrité et d'identification constituent des axes de recherche essentiels.

This project is taking place in the context of protecting multimedia data, which is increasingly prevalent in everyday life, particularly images, videos, and audio. This protection aims to secure their transmission over networks, their archiving in the cloud, and their viewing. It is very easy today to copy, appropriate, or even falsify multimedia data. Therefore, problems of confidentiality, integrity, and identification are key research topics.

Thèse dans le cadre du PEPR cybersécurité.
Laboratoires impliqués dans le projet:
L2S, CentraleSupelec, Univ. Paris-Saclay
CRIStAL, Lille (Vincent ITIER)
LIRMM, Montpellier (William PUECH)

Directeur : Frederic DUFAUX, DR CNRS, L2S, Paris-Saclay
Co-Directeur : Giuseppe VALENZISE, DR CNRS, L2S, Paris-Saclay
Co-encadrant : Vincent ITIER, MCF, IMT Nord Europe - CRIStAL, Lille

Grande école d'ingénieur ou Master 2 (ou équivalent)

Bonnes connaissances en traitement des images/vidéos, sécurité, apprentissage profond.



Niveau d'anglais requis: Intermédiaire supérieur: Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.