Résumé

Ce travail propose une approche innovante pour la restauration d’images historiques en combinant le Split Learning et les réseaux antagonistes génératifs (GAN). L’objectif est de restaurer des images dégradées tout en garantissant la confidentialité des données. Le Split Learning permet de diviser le processus d’apprentissage entre des dispositifs locaux et un serveur central, protégeant ainsi les données sensibles, tandis que les GAN génèrent des images restaurées réalistes et fidèles à l’original.

Les résultats expérimentaux montrent que cette méthode surpasse les techniques traditionnelles en termes de réduction de bruit et de préservation des détails fins, mesurée via des métriques standard comme le Inception Score (IS) et le Frechet Inception Distance (FID). L’approche garantit également une protection accrue des données grâce à l’utilisation du Split Learning.

Cette étude ouvre des perspectives pour la préservation sécurisée du patrimoine visuel, avec des applications possibles dans les archives, les musées et autres institutions culturelles. Les futurs travaux se concentreront sur l’optimisation de l’architecture et la réduction des besoins en ressources computationnelles pour rendre cette technologie plus accessible.

Mots-clés : Restauration d’Images, Split Learning, Réseaux Antagonistes Génératifs (GAN), Deep Learning, Traitement d’Images, Patrimoine Culturel.