Pour certains bases de données de test, les systèmes modernes de reconnaissance faciale sont capables de surpasser les performances humaines. Cependant, la capacité de tels systèmes à se généraliser aux images « in-the-wild » est largement limitée par la disponibilité des données d'apprentissage. Les images « in-the-wild » peuvent contenir des sujets en pose large, ou représentés dans des conditions d'éclairage extrêmes ou avec des expressions extrêmes. Bien que des images présentant ces caractéristiques existent dans certains bases de données d'apprentissage, leur distribution est généralement déséquilibrée, les conditions de la plupart des images étant assez bien contrôlées. Le but de cette thèse est d’exploiter la puissance des modèles génératifs profonds (par exemple, les GAN) pour synthétiser des bases de données d’apprentissage équilibrés contenant des variations extrêmes mais réalistes. Le principal défi consiste à introduire une telle variation tout en préservant l'identité.

Cette recherche est menée en collaboration avec IDEMIA, un leader mondial des technologies d'identité de confiance.