Amélioration de l'imagerie infrarouge basée sur l'apprentissage auto-supervisé

Cette thèse contribue à la résolution du problème du débruitage des vidéos infrarouges, en particulier du débruitage du bruit spatial fixe (BSF ou FPN en anglais), en abordant le problème à différentes étapes et avec différentes méthodologies. Tout d'abord, nous proposons de nouveaux algorithmes pour l'étape d'étalonnage du FPN, basés sur un modèle réaliste du FPN qui tient compte du temps d'intégration et peut modéliser la réponse non linéaire du capteur de température. Ensuite, nous nous concentrons sur le débruitage du FPN après étalonnage. Nous proposons une généralisation du problème de suppression du FPN dans lequel plusieurs vidéos synchronisées sont acquises avec la même caméra. Cela présente un intérêt pratique pour les applications de vidéosurveillance qui utilisent une caméra rotative. Nous proposons un nouvel algorithme basé sur la minimisation d'une énergie pour le supprimer. Nous nous intéressons ensuite à l'application des réseaux neuronaux (NNs) au débruitage du FPN. Les capteurs infrarouges posent plusieurs défis qui empêchent l'application des NNs à des cas pratiques. L'absence de données de vérité terrain empêche l'apprentissage supervisé sur des données réelles. De plus, les images infrarouges souffrent d'un bruit corrélé dans l'espace et dans le temps, ce qui empêche l'application de techniques auto-supervisées, qui reposent sur des hypothèses d'indépendance spatiale ou temporelle du bruit. Nous proposons de nouvelles architectures de réseau ainsi que de nouvelles méthodes d'apprentissage auto-supervisées, permettant l'entraînement de modèles sans données de référence.