Deep Learning for Perceptual and Color-Aware Energy-Efficient Images Intern

About InterDigital

InterDigital is a global research and development company focused primarily on wireless, video, artificial intelligence (“AI”), and related technologies. We design and develop foundational technologies that enable connected, immersive experiences in a broad range of communications and entertainment products and services. We license our innovations worldwide to companies providing such products and services, including makers of wireless communications devices, consumer electronics, IoT devices, cars and other motor vehicles, and providers of cloud-based services such as video streaming. As a leader in wireless technology, our engineers have designed and developed a wide range of innovations that are used in wireless products and networks, from the earliest digital cellular systems to 5G and today’s most advanced Wi-Fi technologies. We are also a leader in video processing and video encoding/decoding technology, with a significant AI research effort that intersects with both wireless and video technologies.

Founded in 1972, InterDigital is listed on Nasdaq.

InterDigital is a registered trademark of InterDigital, Inc.

For more information, visit: www.interdigital.com.

Summary

The objective of this internship is to design a deep learning model for generating energy-aware images. Methods for producing energy-aware images — that is, images that consume less energy than their original versions when displayed on a screen — already exist in the literature. These approaches typically aim to achieve a trade-off between reducing energy consumption and preserving the visual quality of the resulting images.

However, several research directions remain to be explored:

• Existing approaches mainly focus on reducing the luminance component of images, while we would also like to investigate the colour dimension.
• We would like to explore perceptual loss functions, i.e., losses designed to better reflect the characteristics of the human visual perception system.
• Current methods struggle to maintain a satisfactory quality-energy trade-off at high power reduction ratios. We would therefore like to investigate how the research directions above could improve performance in this more challenging range.

The objective is to develop a model that combines these different aspects to improve both visual quality and energy efficiency compared with state-of-the-art approaches.

This work represents a further step towards a more sustainable video streaming chain. In the context of climate change, reducing the environmental footprint of video streaming is an important part of the broader effort to reduce carbon emissions.

The internship will first involve reviewing existing approaches for perceptual quality assessment and colour modelling of images. In a second stage, a deep learning-based model will be designed and implemented to generate energy-aware images using these new features. The performance of the proposed model will then be evaluated in terms of both image quality and energy consumption.

The internship will take place within the Media Services research group at the InterDigital Video Lab. The intern will be mentored by research scientists and will contribute to a research project focused on developing solutions to reduce energy consumption across the video streaming ecosystem.

Duration: 5-6 months, starting January-April 2026

Responsibilities

• State-of-the-art and analysis of existing solutions

• Implementation of a perceptually-based deep learning model for energy reduction

• Evaluation and reporting of results

• undefined

Related work

[1] O. Le Meur, C. -H. Demarty and L. Blonde, "Deep-Learning-Based Energy Aware Images," 2023 IEEE International Conference on Image Processing (ICIP), Kuala Lumpur, Malaysia, 2023, pp. 590-594, doi: 10.1109/ICIP49359.2023.10222188.

[2] Ameur, Z., Demarty, CH., Ménard, D., Meur, O.L. (2025). 3R-INN: How to Be Climate Friendly While Consuming/Delivering Videos?. In: Leonardis, A., Ricci, E., Roth, S., Russakovsky, O., Sattler, T., Varol, G. (eds) Computer Vision – ECCV 2024. ECCV 2024. Lecture Notes in Computer Science, vol 15133. Springer, Cham. https://doi.org/10.1007/978-3-031-73226-3_9

[3] Emmanuel Sampaio, Claire-Hélène Demarty, and Olivier Le Meur. 2024. How to make images less power-hungry: An objective benchmark study. In Proceedings of the Second International ACM Green Multimedia Systems Workshop (GMSys '24). Association for Computing Machinery, New York, NY, USA, 1–7. https://doi.org/10.1145/3652104.3652525

Qualifications

• Master 2, 6 months internship

• Deep learning. Image and video processing. Python. PyTorch.

• undefined

Keywords energy-aware images, energy consumption, energy reduction, vision quality metrics, perceptual quality, color imaging, machine learning (deep learning).

Expected Outcomes

Apart from the expected outcome that corresponds to the perceptually enhanced energy-aware model and its evaluation, this internship will be expected to generate patents and publications.

Location: Rennes, France

InterDigital is an equal employment opportunity employer. InterDigital will not engage in or tolerate unlawful discrimination with regard to any employment decision, policy or practice based on a person’s sex, gender, pregnancy (including childbirth, breastfeeding and related medical conditions), age, race, color, religion, creed, national origin, ancestry, citizenship, military status, veteran status, mental or physical disability, medical condition, genetic information, sexual orientation, gender identity or expression, or any other factor protected by applicable federal, state or local  law. This policy applies to all terms and conditions of employment, including, but not limited to, recruiting, hiring, compensation, benefits, training, assignments, evaluations, coaching, promotion, discipline, discharge and layoff.

À propos d'InterDigital

InterDigital est une société internationale de recherche et développement spécialisée principalement dans les technologies sans fil, la vidéo, l'intelligence artificielle (« IA ») et les technologies associées. Nous concevons et développons des technologies fondamentales qui rendent possibles des expériences connectées et immersives dans un large éventail de produits et services de communication et de divertissement. Nous concédons des licences sur nos innovations dans le monde entier à des entreprises qui proposent ces produits et services, notamment des fabricants d'appareils de communication sans fil, d'électronique grand public, d'objets connectés (IoT), d'automobiles et d'autres véhicules à moteur, ainsi qu'à des fournisseurs de services cloud tels que la diffusion vidéo en streaming. Leader des technologies sans fil, InterDigital a vu ses ingénieurs concevoir et développer un large éventail d'innovations utilisées dans les produits et réseaux sans fil, des premiers systèmes cellulaires numériques jusqu'à la 5G et aux technologies Wi-Fi les plus avancées d'aujourd'hui. Nous sommes également un leader du traitement vidéo et des technologies de codage et de décodage vidéo, avec un important effort de recherche en IA à la croisée des technologies sans fil et vidéo. Fondée en 1972, InterDigital est cotée au Nasdaq.

InterDigital est une marque déposée d'InterDigital, Inc.

Pour en savoir plus, rendez-vous sur www.interdigital.com.

Résumé

L'objectif de ce stage est de concevoir un modèle d'apprentissage profond permettant de générer des images écoénergétiques. Il existe déjà dans la littérature des méthodes de production d'images écoénergétiques, c'est-à-dire d'images qui consomment moins d'énergie que leur version d'origine lorsqu'elles sont affichées à l'écran. Ces approches visent généralement un compromis entre la réduction de la consommation d'énergie et la préservation de la qualité visuelle des images obtenues.

Plusieurs pistes de recherche restent toutefois à explorer :

• Les approches existantes portent principalement sur la réduction de la composante de luminance des images ; nous souhaitons également étudier la dimension de la couleur.
• Nous souhaitons explorer des fonctions de perte perceptuelles, c'est-à-dire conçues pour mieux refléter les caractéristiques du système de perception visuelle humain.
• Les méthodes actuelles peinent à maintenir un compromis qualité-énergie satisfaisant pour des taux de réduction de puissance élevés. Nous souhaitons donc étudier dans quelle mesure les pistes de recherche ci-dessus pourraient améliorer les performances dans cette plage plus exigeante.

L'objectif est de développer un modèle qui combine ces différents aspects afin d'améliorer à la fois la qualité visuelle et l'efficacité énergétique par rapport aux approches de l'état de l'art.

Ces travaux constituent une étape supplémentaire vers une chaîne de diffusion vidéo plus durable. Dans le contexte du changement climatique, la réduction de l'empreinte environnementale de la diffusion vidéo en streaming est un volet important de l'effort global de réduction des émissions de carbone.

Le stage consistera d'abord à étudier les approches existantes d'évaluation de la qualité perceptuelle et de modélisation de la couleur des images. Dans un second temps, un modèle fondé sur l'apprentissage profond sera conçu et implémenté pour générer des images écoénergétiques à partir de ces nouvelles caractéristiques. Les performances du modèle proposé seront ensuite évaluées, tant en matière de qualité d'image que de consommation d'énergie.

Le stage se déroulera au sein du groupe de recherche Media Services du Video Lab d'InterDigital. La personne recrutée sera encadrée par des scientifiques de l'équipe de recherche et contribuera à un projet de recherche visant à développer des solutions de réduction de la consommation d'énergie dans l'ensemble de l'écosystème de la diffusion vidéo en streaming.

Durée: 5 à 6 mois, avec un démarrage entre janvier et avril 2026

Missions

• État de l'art et analyse des solutions existantes

• Implémentation d'un modèle d'apprentissage profond fondé sur la perception pour réduire la consommation d'énergie

• Évaluation et présentation des résultats

• undefined

Travaux connexes

[1] O. Le Meur, C. -H. Demarty and L. Blonde, "Deep-Learning-Based Energy Aware Images," 2023 IEEE International Conference on Image Processing (ICIP), Kuala Lumpur, Malaysia, 2023, pp. 590-594, doi: 10.1109/ICIP49359.2023.10222188.

[2] Ameur, Z., Demarty, CH., Ménard, D., Meur, O.L. (2025). 3R-INN: How to Be Climate Friendly While Consuming/Delivering Videos?. In: Leonardis, A., Ricci, E., Roth, S., Russakovsky, O., Sattler, T., Varol, G. (eds) Computer Vision – ECCV 2024. ECCV 2024. Lecture Notes in Computer Science, vol 15133. Springer, Cham. https://doi.org/10.1007/978-3-031-73226-3_9

[3] Emmanuel Sampaio, Claire-Hélène Demarty, and Olivier Le Meur. 2024. How to make images less power-hungry: An objective benchmark study. In Proceedings of the Second International ACM Green Multimedia Systems Workshop (GMSys '24). Association for Computing Machinery, New York, NY, USA, 1–7. https://doi.org/10.1145/3652104.3652525

Profil recherché

• Master 2, stage de 6 mois

• Apprentissage profond. Traitement de l'image et de la vidéo. Python. PyTorch.

• undefined

Mots-clés: images écoénergétiques, consommation d'énergie, réduction de la consommation d'énergie, métriques de qualité visuelle, qualité perceptuelle, imagerie couleur, apprentissage automatique (apprentissage profond).

Résultats attendus:

Outre le résultat attendu, à savoir le modèle écoénergétique enrichi par la perception et son évaluation, ce stage devrait donner lieu à des brevets et à des publications.

Lieu: Rennes, France

Encadrement: Claire Hélène Demarty / Ali Ak

InterDigital est un employeur qui garantit l'égalité des chances en matière d'emploi. InterDigital ne pratique ni ne tolère aucune discrimination illicite dans ses décisions, politiques ou pratiques en matière d'emploi fondée sur le sexe, le genre, la grossesse (y compris l'accouchement, l'allaitement et les problèmes de santé qui y sont liés), l'âge, l'origine raciale, la couleur de peau, la religion, les convictions, l'origine nationale, l'ascendance, la nationalité, la situation militaire, le statut d'ancien combattant, le handicap mental ou physique, l'état de santé, les informations génétiques, l'orientation sexuelle, l'identité ou l'expression de genre, ou tout autre critère protégé par la législation fédérale, étatique ou locale applicable. Cette politique s'applique à l'ensemble des conditions d'emploi, notamment, sans que cette liste soit limitative, le recrutement, l'embauche, la rémunération, les avantages sociaux, la formation, les affectations, les évaluations, l'accompagnement, la promotion, les sanctions disciplinaires, le licenciement et les suppressions de postes.