La traduction automatique multimodale (MMT) améliore la qualité de la traduction en intégrant des informations visuelles. Toutefois, les modèles MMT existants négligent le problème selon lequel l’image peut introduire des informations non pertinentes par rapport au texte, entraînant ainsi un bruit important pour le modèle et affectant négativement la qualité de la traduction. Ce papier propose une nouvelle approche, appelée Gumbel-Attention, pour la traduction automatique multimodale, qui sélectionne les parties des caractéristiques d’image pertinentes par rapport au texte. Plus précisément, contrairement aux méthodes précédentes basées sur l’attention, nous utilisons tout d’abord une méthode différentiable afin de sélectionner l’information visuelle et d’éliminer automatiquement les parties inutiles des caractéristiques d’image. Les expériences montrent que notre méthode préserve les caractéristiques d’image liées au texte, et que les parties restantes contribuent à produire des traductions de meilleure qualité dans le cadre du modèle MMT.