Du pixel à la région homogène, puis de la région au Vimber : et si l’unité utilisée pour acquérir une image n’était pas celle avec laquelle une intelligence devait représenter le monde ?

Michel Tran — Vimberia Research
Septembre 2026 — Article fondateur

Le pixel décrit l’image. La région homogène en révèle une première structure. Le Vimber cherche à maintenir ce qui persiste dans le monde perçu.

Résumé

Depuis les débuts de l’imagerie numérique, le pixel constitue l’unité élémentaire de l’image.

L’évolution de la vision artificielle a ensuite suivi plusieurs directions. Certaines approches modernes regroupent les pixels en patchs puis les transforment en tokens visuels, notamment dans les architectures Transformer.

Vimberia explore une voie différente.

Elle part directement de la structure perceptive de l’image :$$\boxed{ \text{Pixel} \rightarrow \text{Région homogène} \rightarrow \text{Vimber} }$$

La région homogène constitue ici une première unité structurée issue de l’observation. Mais elle appartient encore à une image donnée.

Le Vimber introduit une propriété supplémentaire fondamentale : la persistance.

À travers la répétition des observations, certaines régions et certaines structures peuvent être associées à une même entité perceptive persistante, dotée d’un état, d’une histoire et de relations avec les autres éléments du monde représenté.

Le Vimber n’est donc ni un patch, ni un token visuel, ni simplement une région d’image.

Il constitue une proposition d’unité pour passer progressivement de l’image instantanée à une représentation persistante du monde perçu.

---

1. Tout commence par le pixel

Une caméra numérique transforme la lumière en mesures organisées spatialement sous forme de pixels :$$I(x,y,t)$$

Le pixel est parfaitement adapté à l’acquisition.

Il indique qu’à un emplacement donné du capteur, à un instant donné, certaines caractéristiques lumineuses ont été mesurées.

Mais le pixel n’est pas une propriété intrinsèque du monde.

Une table ne possède pas de pixels.

Une voiture ne possède pas de pixels.

Un arbre ne possède pas de pixels.

Le pixel apparaît lorsque le monde physique est échantillonné par un capteur.

Cela conduit à une distinction essentielle :$$\boxed{ \text{structure du capteur} \neq \text{structure du monde} }$$

La question devient donc :

Comment passer d’une grille imposée par le capteur à des unités correspondant davantage à la structure réellement observée ?

---

2. Première transformation : du pixel à la région homogène

Une image contient rarement des pixels totalement indépendants les uns des autres.

Certaines parties de l’image présentent au contraire des propriétés communes.

Elles peuvent former des régions perceptivement cohérentes ou homogènes.

On peut donc passer conceptuellement de :$$\{p_1,p_2,\ldots,p_n\}$$

à :$$R_1,R_2,\ldots,R_m$$

avec :$$m \ll n$$

dans de nombreuses scènes.

Chaque région $R_i$ regroupe alors plusieurs observations élémentaires partageant une cohérence suffisante selon les critères utilisés par le système.

Le passage :$$\boxed{\text{Pixel}\rightarrow\text{Région}}$$

constitue déjà un changement important.

L’image n’est plus uniquement vue comme une matrice régulière.

Elle commence à devenir un ensemble de structures perceptives.

---

3. Pourquoi la région homogène est différente du patch

Cette distinction est fondamentale dans Vimberia.

Un patch est généralement défini par la géométrie du découpage.

Par exemple :$$16\times16$$

pixels.

Que cette zone contienne un seul élément, trois objets ou une frontière n’a pas d’importance pour le découpage initial.

Le patch est donc principalement une unité régulière de calcul.

Une région homogène suit une logique différente.

Sa forme et son étendue dépendent de ce qui est observé.

Elle pourrait être :

• petite ;
• grande ;
• irrégulière ;
• allongée ;
• compacte ;
• composée selon la structure de la scène.

Ainsi :$$\boxed{ \text{Patch}=\text{partition imposée} }$$

alors que :$$\boxed{ \text{Région}=\text{partition issue de la structure observée} }$$

Cette différence est centrale dans la philosophie de Vimberia.

---

4. Une autre branche : du patch au token visuel

Les architectures modernes comme les Vision Transformers suivent une trajectoire différente :$$\text{Pixel} \rightarrow \text{Patch} \rightarrow \text{Token visuel}$$

Le patch est projeté dans un espace vectoriel :$$P_i\rightarrow z_i$$

et devient un token susceptible d’être traité par un Transformer.

Cette approche est extrêmement puissante et efficace sur les architectures matérielles modernes.

Mais elle poursuit un objectif différent.

Elle cherche notamment à construire une représentation adaptée à l’apprentissage et au calcul matriciel.

Vimberia ne propose donc pas :$$\text{Pixel} \rightarrow \text{Patch} \rightarrow \text{Token} \rightarrow \text{Vimber}$$

Cette chaîne serait incorrecte.

Les deux voies doivent plutôt être représentées ainsi :$$\boxed{ \text{Pixel} \rightarrow \text{Patch} \rightarrow \text{Token visuel} }$$

d’un côté,

et :$$\boxed{ \text{Pixel} \rightarrow \text{Région homogène} \rightarrow \text{Vimber} }$$

de l’autre.

Ce sont deux stratégies différentes d’abstraction de l’information visuelle.

---

5. La région n’est pourtant pas encore un Vimber

C’est un point crucial.

Une région homogène appartient encore essentiellement à une observation :$$R_i^{(t)}\subset I_t$$

À l’image suivante, une nouvelle région peut être observée :$$R_j^{(t+1)}\subset I_{t+1}$$

Même si ces deux régions correspondent à une même structure du monde, elles restent deux observations distinctes.

Le Vimber apparaît lorsque le système peut dépasser cette dépendance à l’image instantanée.

Schématiquement :$$R_i^{(t)}$$$$R_j^{(t+1)}$$$$R_k^{(t+2)}$$

peuvent contribuer au maintien d’une même unité :$$\boxed{V_a}$$

Nous passons alors de :$$\text{région dans une image}$$

à :$$\text{entité persistante dans le monde représenté}$$

---

6. De la région au Vimber

C’est ici que se produit le changement de nature fondamental.

Une région homogène répond approximativement à la question :

« Quelles observations appartiennent actuellement à une même structure cohérente ? »

Le Vimber répond à une question supplémentaire :

« Cette structure correspond-elle à quelque chose que mon système doit continuer à maintenir dans le temps ? »

Le passage peut être résumé par :$$\boxed{ \text{Pixels} \rightarrow \text{Régions} \rightarrow \text{Persistance} \rightarrow \text{Vimbers} }$$

La répétition des observations devient alors essentielle.

C’est précisément le R de Vimber : Répétition.

---

7. La répétition transforme une région en hypothèse persistante

Considérons une suite d’observations :$$I_t,I_{t+1},I_{t+2},\ldots$$

À chaque instant apparaissent des régions :$$R^{(t)}, R^{(t+1)},R^{(t+2)},\ldots$$

Le système peut alors exploiter la continuité des observations pour déterminer ce qui semble :

• persister ;
• évoluer ;
• se transformer ;
• apparaître ;
• disparaître ;
• maintenir des relations avec d’autres structures.

Le Vimber devient alors une entité indépendante de l’une quelconque des observations individuelles.

On peut écrire conceptuellement :$$V_i= ( ID_i, S_i, H_i, \mathcal{R}_i )$$

avec :

• $ID_i$ : son identité ;
• $S_i$ : son état ;
• $H_i$ : son histoire ;
• $\mathcal{R}_i$ : ses relations avec les autres Vimbers.

La région fournit donc une observation du Vimber, mais le Vimber n’est plus réduit à cette région.

---

8. La distinction fondamentale

On peut alors poser clairement :$$\boxed{\text{Pixel}\neq\text{Région}\neq\text{Vimber}}$$

Le pixel est l’unité élémentaire d’échantillonnage.

La région homogène constitue une structure perceptive issue d’une observation.

Le Vimber constitue une unité persistante de la représentation.

En termes simples :

Le pixel dit : « une mesure existe ici ».

La région dit : « plusieurs mesures semblent appartenir à une même structure ».

Le Vimber dit : « cette structure possède une continuité dans mon monde interne ».

---

9. Pourquoi cette architecture est différente d’un Vision Transformer

La distinction peut être représentée ainsi.

Approche patch/token

$$I_t \rightarrow \{P_1,P_2,\ldots,P_n\} \rightarrow \{T_1,T_2,\ldots,T_n\} \rightarrow \text{modèle}$$

L’organisation initiale est régulière.

Le modèle apprend ensuite les relations pertinentes entre les tokens.

Approche Vimberia

$$I_t \rightarrow \{R_1,R_2,\ldots,R_m\} \rightarrow \text{mise en relation avec l’état existant} \rightarrow G_t$$

où :$$G_t=(V_t,E_t)$$

La représentation cherche donc dès le départ à exploiter une structuration issue de la scène elle-même, puis à la maintenir dans le temps.

L’objectif n’est pas uniquement de produire un meilleur vecteur.

L’objectif est de maintenir des entités perceptives.

---

10. Une région appartient à l’image, un Vimber appartient au monde interne

Cette phrase doit devenir une des définitions centrales de Vimberia :

Une région homogène appartient à une observation. Un Vimber appartient à la représentation persistante du monde.

Une région peut apparaître.

Une région peut changer de forme.

Une région peut être partiellement occultée.

Une nouvelle région peut remplacer l’ancienne dans l’image suivante.

Le Vimber, lui, peut continuer à exister dans l’état interne aussi longtemps que les observations permettent de soutenir son identité.

C’est précisément cette séparation entre :$$\text{observation}$$

et :$$\text{entité représentée}$$

qui distingue le concept.

---

11. Le Vimber n’est pas la simple accumulation de régions

Il faut aussi éviter une deuxième confusion.

On pourrait croire qu’un Vimber n’est que :$$V_i= R_i^{(1)} + R_i^{(2)} + R_i^{(3)} +\cdots$$

Ce serait trop simpliste.

Les régions successives sont des observations.

Le Vimber est l’entité persistante que ces observations viennent continuellement :

• confirmer ;
• enrichir ;
• transformer ;
• corriger ;
• ou éventuellement invalider.

Le rapport est donc plutôt :$$\boxed{ R_i^{(t)} \rightarrow \text{observation de }V_k }$$

Le Vimber devient une sorte d’hypothèse persistante sur une structure du monde perçu.

---

12. La hiérarchie peut commencer dès les régions

Cette représentation permet également une organisation hiérarchique.

Plusieurs régions peuvent contribuer à plusieurs Vimbers :$$R_1,R_2,R_3 \rightarrow V_A,V_B$$

Puis certains Vimbers peuvent former une structure supérieure :$$V_A,V_B,V_C \rightarrow V_X$$

Et cette organisation peut se poursuivre :$$V^{(0)} \rightarrow V^{(1)} \rightarrow V^{(2)} \rightarrow\cdots$$

On passe alors progressivement :$$\text{mesure} \rightarrow \text{structure locale} \rightarrow \text{structure persistante} \rightarrow \text{organisation du monde}$$

---

13. La véritable évolution proposée

L’évolution historique et conceptuelle ne doit donc pas être racontée comme une seule chaîne.

Il existe plusieurs branches.

On peut par exemple représenter :$$\begin{array}{ccccc} & & \text{Pixel} & &\\ & \swarrow & & \searrow &\\ \text{Région homogène} & & & & \text{Patch}\\ \downarrow & & & & \downarrow\\ \boxed{\text{Vimber}} & & & & \text{Token visuel} \end{array}$$

La branche de droite cherche principalement à créer une unité extrêmement efficace pour les architectures d’apprentissage modernes.

La branche Vimberia cherche à construire une unité qui corresponde davantage à la continuité perceptive du monde observé.

Les deux peuvent d’ailleurs éventuellement être combinées dans un système plus large.

Mais elles ne doivent pas être confondues.

---

14. Le point de départ de Vimberia n’est donc pas le token

Cette précision a des conséquences importantes sur la définition même du projet.

Le Vimber n’est pas :

un token amélioré.

Il n’est pas non plus :

un token persistant.

Et il n’est pas nécessairement issu d’un embedding appris.

Il appartient à une autre logique :$$\boxed{ \text{Signal visuel} \rightarrow \text{structure perceptive} \rightarrow \text{persistance} }$$

Sa racine est la structure directement observée dans l’image, pas le découpage arbitraire d’un Transformer.

---

15. Une différence entre abstraction calculatoire et abstraction perceptive

Nous pouvons alors introduire une distinction très utile.

Le patch est avant tout une abstraction calculatoire.

Le Vimber cherche à être une abstraction perceptive.

Cela donne :$$\text{Patch} : \text{« Comment diviser les données pour les calculer efficacement ? »}$$

contre :$$\text{Vimber} : \text{« Quelles structures du monde perçu méritent d’être maintenues ? »}$$

Ces deux questions sont profondément différentes.

Et elles n’ont aucune raison d’avoir nécessairement la même réponse.

---

Conclusion — Du pixel à la région, de la région au monde persistant

La progression centrale de Vimberia peut finalement être résumée simplement :$$\boxed{ \text{PIXEL} \rightarrow \text{RÉGION HOMOGÈNE} \rightarrow \text{VIMBER} }$$

Le pixel constitue une mesure.

La région homogène constitue une première organisation de ces mesures selon la structure de l’observation.

Le Vimber introduit une dimension supplémentaire :

la continuité à travers le temps.

Cela conduit à une distinction fondamentale avec les architectures fondées sur les patchs et les tokens :$$\text{Pixel} \rightarrow \text{Patch} \rightarrow \text{Token}$$

n’est pas l’origine du Vimber.

C’est une autre branche de la représentation visuelle.

Vimberia part au contraire de la question :

Que révèle directement la structure de l’image, et parmi ces structures, lesquelles peuvent devenir des unités persistantes du monde interne ?

Ainsi :

Le pixel mesure.

La région structure l’observation.

Le Vimber maintient la perception dans le temps.

C’est cette transition de la région observée vers l’entité persistante qui constitue le cœur conceptuel du Vimber.