Reconstruction 3D multi-vue en imagerie Radar à Synthèse d'Ouverture par rendu inverse

L'imagerie Radar à Synthèse d'Ouverture (RSO) est un outil puissant pour l'observation de la Terre, offrant la capacité de capturer des données indépendamment des conditions de lumière du jour ou météo. Cependant, les méthodes traditionnelles de reconstruction 3D à partir d'images RSO reposent souvent sur des techniques interférométriques, qui nécessitent des contraintes strictes pour garantir la cohérence des acquisitions.Dans cette thèse, nous explorons le potentiel de l'adaptation de méthodes de reconstruction par Rendu Inverse Différentiable (RID) au RSO. Ces méthodes informées par la physique ont connu des avancées récentes dans le domaine optique suite à la publication de Neural Radiance Fields (NeRF) mais elles n'ont pas encore été appliquées aux systèmes d'imagerie active. En développant une technique RID pour les images d'intensité RSO, nous visons à obtenir une solution flexible pour la reconstruction 3D à partir de quelques vues seulement.Tout d'abord, nous présentons un nouveau modèle de rendu RSO différentiable, un élément central à toute méthode RID. Notre modèle utilise une approche de rastérisation pour synthétiser efficacement des images RSO à partir d'un Modèle Numérique de Surface (MNS) et d'une carte de coefficients de rétrodiffusion. Il exploite la géométrie spécifique des images RSO pour garantir la différentiabilité du processus de rendu, en particulier pour le calcul des ombres. Nous validons notre modèle en utilisant EMPRISE®, un simulateur RADAR de pointe développé par l'ONERA.Nous proposons ensuite deux stratégies de reconstruction différentes. La première s'inspire directement de NeRF et optimise les paramètres d'un réseau de neurones modélisant la scène. La seconde stratégie simplifie le réglage des hyper-paramètres et améliore l'explicabilité en modélisant la scène avec un empilement de grilles de résolutions croissantes. Les deux approches s'appuient sur les propriétés uniques de notre modèle de rendu pour employer une stratégie multi-échelles, permettant une optimisation plus rapide et une meilleure reconstruction en présence de structures d'échelles variables.Nous démontrons notre méthode sur des images simulées avec EMPRISE® dans différentes conditions, avant de montrer des applications sur des paires d'images ascendant/descendant de Sentinel-1.