Régularisation par réseaux de neurones pour l’imagerie satellite (CNES Toulouse /ISAE-Supaero/ Equipe SC IRIT)

L’objectif est d’évaluer l’apport potentiel des méthodes de deep-learning pour la régularisation des problèmes inverses rencontrés en restauration d’images d’observation de la Terre.
Les méthodes de restauration d’images les plus performantes actuellement apprennent à inverser un modèle de dégradation donné, de manière supervisée. En raison de la grande variété des capteurs embarqués et de la dérive de leurs caractéristiques au cours du temps qui modifient la dégradation, cette méthode ne semble pas envisageable dans le domaine de l’imagerie satellite : cela nécessiterait un modèle entraîné pour chaque satellite considéré et mis à jour à intervalles de temps réguliers. Des méthodes récentes pour la restauration d’images proposent plutôt une approche indépendante du modèle de dégradation, en recherchant la solution du problème inverse dans l’espace latent d’un réseau de neurones génératif. Générer l’ensemble des images possibles nécessiterait un modèle génératif particulièrement performant, étant donné la diversité et la complexité des scènes observées dans le cadre de l’imagerie satellite. Une solution alternative consiste à rechercher l’image restaurée dans l’espace image plutôt que dans l’espace latent du modèle génératif. Nous comparerons cette méthode, que l’on nomme approche “en analyse”, à la méthode dite “en synthèse” de l’état de l’art. Nous envisagerons de tester d’autres architectures que l’auto-encodeur variationnel actuellement utilisé. Nous étudierons les performances en restauration sur des bases d’images fournies par le CNES.