Le laboratoire SACRe et l’Ecole Normale Supérieure ont le plaisir de vous inviter
à la soutenance de thèse de Pierre Lelièvre (SACRe-ENS) intitulée :
« La composition picturale — Modélisation, Perception & Création »
La soutenance de thèse aura lieu le 25 novembre 2022 à 9h30 à l’Ecole Normale Supérieure, au 45 rue d’Ulm (75005 Paris), en salle Lettres 1 et 2 (2ème étage, couloir B-C).
La soutenance commencera par une visite de l’exposition de 9h à 9h30, à la bibliothèque Mathématiques et Informatique (Math-Info).
L’exposition sera visible du 21 au 25 novembre 2022 aux horaires d’ouverture de la bibliothèque (10h-17h).
Composition du jury de thèse :
Sofian AUDRY : Pr, Université du Québec à Montréal (Rapporteur)
Norberto GRZYWACZ : Pr, Loyola University Chicago (Rapporteur)
Chien-Chung CHEN : Pr, National Taïwan University (Examinateur)
Alasdair NEWSON : MdC, Télécom Paris (Examinateur)
Katherine STORRS : MdC, University of Auckland (Examinatrice)
Sylvie TISSOT : IdR, ENSAD, Institut Mines-Télécom (Examinatrice)
Peter NERI : DR, École Normale Supérieure, CNRS (Directeur de thèse)
Résumé thèse :
La composition picturale, entendue comme la disposition des éléments graphiques sur le plan, est généralement associée à des règles qualitatives et des heuristiques. Bien qu’instructives pour les artistes et leur pratique, ces normes agissent comme des contraintes externes sur le plan. Nous pensons que les œuvres d’art sont capables de fixer des caractéristiques de composition plus fondamentales dans leur matière picturale même. Nous développons donc un paradigme supposant toutes les œuvres d’un.e artiste comme des vues partielles d’une représentation en plus grandes dimensions, et agrégeant des régularités compositionnelles intrinsèques. Nous choisissons de matérialiser cet objet hyper-compositionnel théorique par un espace continu, vectoriel et probabiliste. D’autre part, la nature séquentielle et non stationnaire du processus de composition, ainsi que la définition complexe et évolutive de ses unités fonctionnelles sous-jacentes, se combinent en un phénomène perceptif qui ne se modélise pas facilement par les modèles d’apprentissage profond basés sur des pixels, e.g. CNNs. Nous adoptons une stratégie différente, construite autour d’une définition paramétrique de l’exécution des traits et de RNN-VAE imbriqués hiérarchiquement. Cela permet à notre modèle d’aborder la matière picturale en alignant son comportement sur le geste artistique. Ces réseaux neuronaux artificiels sont ensuite entraînés sur plus de 5000 compositions abstraites personnelles, et cherchent à former un espace compositionnel à la fois compact, cohésif et expressif. Nous vérifions alors l’homogénéité perceptive de la densité latente de cet espace à travers des jugements de similarité entre des compositions (MLDS). Les algorithmes qui en résultent permettent aux artistes d’explorer l’interaction dynamique des éléments graphiques en fonction non seulement de leurs propres régularités de composition, mais aussi des régularités perceptives de ceux qui voient leur art. Nous terminons enfin ce cycle en révélant les dimensions compositionnelles cachées avec de l’encre et du papier, via des créations par traceur numérique.