Regularization with neural networks for satellite image restoration

Les réseaux de neurones profonds ont réalisé des avancées majeures dans le domaine de la vision par ordinateur au cours de la dernière décennie et ont été appliqués avec succès à des tâches de traitement ou de reconstruction d'images, telles que le débruitage, la déconvolution, la compression, le pan-sharpening ou la super-résolution. L'approche standard résout directement la tâche de reconstruction d'image, en entraînant de bout en bout un réseau convolutif profond.De telles approches peuvent difficilement être utilisées dans l'imagerie satellite pour deux raisons principales. Premièrement, les architectures profondes sont difficilement interprétables et présentent des instabilités. Deuxièmement, leur entraînement nécessite beaucoup de temps de calcul et le réglage de nombreux hyper paramètres, ce qui est particulièrement problématique car, pour l'imagerie satellite, le modèle physique nécessite de réentraîner systématiquement le réseau pour chaque satellite.Des travaux plus récents consistent à utiliser l'inversion "classique" du modèle, en utilisant les réseaux de neurones uniquement pour la régularisation. Le travail fondateur utilise des modèles génératifs profonds pour une régularisation en synthèse, où la solution du problème inverse est recherchée dans l'espace latent du modèle génératif. Dans cette thèse, nous envisageons de généraliser cette approche pour la rendre compatible avec la diversité des images satellites. Une première recherche méthodologique sera consacrée à l'amélioration de la capacité de régularisation du réseau de neurones génératif en changeant l'a priori gaussienne standard dans l'espace latent par un a priori plus discriminante, par exemple basée sur la parcimonie. Une deuxième contribution méthodologique consistera à proposer des architectures plus légères que les modèles génératifs, qui pourraient tirer parti de la représentation et de la distribution latente apprises par les autoencodeurs de compression. Les méthodes proposées seront adaptées et testées sur plusieurs applications réelles en imagerie satellite, telles que la suppression des artefacts de compression, la déconvolution, la super-récolution ou le pan-sharpening des images.