Apprentissage Non-Supervisé pour Problèmes Inverses Non-Linéaires – UNLIP

Ces dernières années, les réseaux neuronaux profonds ont révolutionné le domaine de la reconstruction d’images, conduisant à des performances remarquables dans diverses applications comme l'imagerie médicale et astronomique. La reconstruction d'images via l'apprentissage profond est en train de transformer les domaines scientifiques, industriels et médicaux.

L’approche principale pour résoudre les problèmes d'imagerie via l'apprentissage profond consiste à entraîner des réseaux neuronaux de manière supervisée. Cependant, cette approche a plusieurs limites : i) constituer des grandes bases de données formées d'un couple observations/vérité-terrain peut être coûteux, voire impossible, et ii) les réseaux supervisés peuvent échouer dans la reconstruction de structures n'apparaissant pas dans des exemples fournis par la base de données.

Des progrès récents ont démontré que l’apprentissage à partir de mesures bruitées et incomplètes est possible en minimisant une fonction de coût non-supervisé. Ces méthodes peuvent obtenir des résultats comparables à ceux de l'apprentissage supervisé, voire les dépasser, car les observations sont souvent plus nombreuses que les données vérité-terrain. Cependant, la plupart des approches non-supervisées existantes sont spécifiques aux problèmes linéaires, rendant leur utilisation limitée dans des contextes d'imagerie non-linéaire.

Ce projet vise à repousser les frontières de l'apprentissage non-supervisé, au-delà des problèmes d'imagerie linéaire, en ouvrant la voie à des solutions basées sur l'apprentissage profond, entraînées à partir de données quantifiées, sans phase ou non-calibrées.
Le projet étudiera les conditions nécessaires et suffisantes pour l'apprentissage à partir de données de mesures non-linéaires, et proposera de nouvelles approches d’apprentissage non-supervisé qui seront appliquées dans les problèmes d’imagerie par résonance magnétique, l'imagerie astronomique polarimétrique et l’imagerie par diffraction cohérente.