Imagerie radio-interférométrique robuste par dépliement neuronal

Les algorithmes d'imagerie radio-interférométrique sont particulièrement sensibles aux bruits non gaussiens affectant les mesures. De telles perturbations, notamment dues à la présence d'interférences de radiofréquences, peuvent être modélisées par des distributions gaussiennes composées. Cette modélisation conduit à la formulation d'un problème d'estimation du maximum de vraisemblance pour la tâche de reconstruction d'image. Cependant, le choix de la distribution et de ses hyperparamètres peut avoir un impact significatif sur l'erreur de reconstruction. Dans cet article, nous généralisons l'algorithme d'espérance-maximisation pour l'imagerie radio-interférométrique récemment introduit par les auteurs à une modélisation du bruit additif par des distributions gaussiennes composées. Ensuite, nous proposons de déplier l'algorithme précédemment introduit, donnant lieu à un algorithme d'apprentissage profond déroulée pour lequel la robustesse au bruit hétérogène est pilotée de manière informée par la base d'apprentissage. Enfin, nous illustrons les performances du réseau proposé sur des données simulées.