Etudiant : SNAOUI MAROUAN

Filière : Master Big Data et Systèmes intelligents (BDSI)

Encadrant : Pr. ELHAOUSI FATIMA

Annèe : 2026

Résumé : Les caméras de surveillance produisent souvent des images de faible résolution, peu exploitables au moment où elles deviennent utiles. La super-résolution par apprentissage profond offre une voie pour améliorer ces images après leur capture. Ce travail implémente d’abord une architecture ESRGAN complète, entraînée de bout en bout sur les jeux DIV2K et Flickr2K avec un pipeline de dégradation reproduisant des conditions proches de la surveillance. Le système obtenu dépasse nettement l’interpolation bicubique, ce qui confirme l’efficacité de l’approche. Nous avons exploré l’enrichissement de cette architecture par un Module d’Attention Adaptatif, destiné à différencier le traitement des bords, des textures et des zones lisses. Évalué avec rigueur, ce module n’améliore pas significativement les performances par rapport au modèle de base : un résultat encourageant mesuré sur un petit échantillon s’est révélé, après vérification sur un jeu plus large, n’être qu’un artefact statistique. Ce constat, assumé, constitue un enseignement méthodologique sur la fragilité des évaluations conduites sur de petits jeux de test. La contribution principale de ce mémoire réside dans l’application de la super-résolution à une tâche concrète et exigeante : la lecture automatique de plaques d’immatriculation. Un système complet a été construit, associant la détection de la plaque, sa reconstruction par un modèle de super-résolution spécialisé par fine-tuning, et sa lecture par reconnaissance optique de caractères. Sur un jeu de plaques européennes, cette spécialisation porte le taux de caractères correctement lus de 54 % à 76 %, approchant le plafond de 82 % imposé par le moteur de reconnaissance lui-même. Ce résultat démontre, de façon tangible, que la super-résolution peut rendre exploitable une information qui ne l’était pas, et confère au travail une portée applicative directe.