Recherche rapide de propriétés d'images avec application à l'artifactométrie // Fast Image Property Search with Application to Artifactometry​

La contrefaçon de produits a des conséquences négatives importantes. En effet, dans l'économie mondiale, des centaines de milliards d'euros sont perdus chaque année à cause de la fraude, ce qui touche une grande variété de secteurs comme l'industrie pharmaceutique, l'électronique, les produits de luxe ou les pièces automobiles, pour n'en citer que quelques-uns. C'est pourquoi il faut des méthodes pour vérifier de manière fiable l'identité des produits et prévenir la fraude tout au long de la chaîne d'approvisionnement. En général, on colle une étiquette avec une sorte d'identifiant visuel (un code de type QR, par exemple) sur le produit. C'est un vrai défi, car les contrefaçons sont de plus en plus sophistiquées chaque jour grâce aux méthodes basées sur l'IA.
Cependant, il est toujours possible de détecter les contrefaçons, car on sait que les systèmes d'impression laissent des traces détectables, différentes de celles du produit d'origine. Ce projet de doctorat explore des stratégies de recherche et d'échantillonnage dans des espaces latents qui ne sont pas explicitement démêlés. Dans de telles représentations, les attributs d'intérêt – comme l'identité du produit, le lot de fabrication, les conditions d'acquisition ou le type de dommage – peuvent être corrélés et difficiles à isoler.
De plus, de nouveaux attributs peuvent ne devenir pertinents qu'une fois la représentation latente établie. Dans ce projet, on va concevoir de nouvelles méthodes permettant de comparer rapidement les traces trouvées dans l'espace latent au sein d'une très grande base de données d'images, ainsi que développer de nouveaux algorithmes et structures de données permettant de récupérer efficacement des exemples similaires possédant un attribut donné, avec pour objectif final de détecter les produits contrefaits à partir de leurs identifiants visuels.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Counterfeiting of products has an important negative impact. Indeed, in the global economy hundreds of billions of euros are lost annually due to fraud, affecting a large variety of industries such as pharmaceuticals, electronics, luxury goods, or automotive parts, to cite just a few. Therefore, methods for the robust verification of product identity to prevent fraud are required as part of the supply chain. Typically, a label with some kind of visual ID (a QR-like code, for example) is attached to the product. The problem is challenging, since everyday the falsifications are more advanced due to the availability of AI-based methods. However, it is still feasible to detect falsifications given that the printing systems are known to leave detectable traces, different to those retrieved from the original product. This doctoral project investigates strategies for searching and sampling within latent spaces that are not explicitly disentangled. In such representations, attributes of interest - such as product identity, manufacturing batch, acquisition conditions, or damage
type - may be correlated and difficult to isolate. Moreover, new attributes may become relevant only after the latent representation has been fixed. In this project we will design new methods that allow for fast comparison of traces found in the latent space in a very large database of images, as well as develop new algorithms and data structures enabling efficient retrieval of similar examples possessing a given attribute, with the final goal of detecting falsified products from their visual identifiers.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026
WEB : https://advancedtrackandtrace.com/

Cifre

CIFRE - ANRT (Agence Nationale Recherche Technologie)

Université Paris-Saclay GS Mathématiques

574 Mathématiques Hadamard

- Solide formation en mathématiques appliquées et en IA - Capacité à concevoir de nouveaux algorithmes et à les mettre en œuvre en Python - Connaissance des méthodes d'entraînement de modèles à l'aide d'outils tels que PyTorch, TensorFlow ou Keras - Capacité à travailler en équipe. Une présence régulière au Centre Borelli est absolument indispensable. - Capacité à travailler de manière autonome, tout en étant disposé à suivre toutes les indications et demandes du directeur de thèse afin de mener à bien la thèse de doctorat - Volonté de mener des recherches de pointe pour faire avancer le domaine et de publier les résultats dans des revues spécialisées à fort impact et lors de conférences, ainsi que de présenter les travaux lors de séminaires locaux et de conférences internationales.
- Strong background in applied mathematics and AI - Capability to design new algorithms, as well as implementing them in Python - Knowledge on how to train a model with tools such as Pytorch, Tensorflow, or Keras - Ability to work within a team. Maintaining a regular presence at Centre Borelli is absolutely required. - Ability to work with autonomy, but willing to accept all the indications and requests of the director of the PhD in order to finish successfully the doctoral thesis - Effort to perform state of the art research to advance the field and publish the findings in specialized high-impact factor journal and conferences, and well as presenting the work in local seminars and international conferences.