Soutenance de thèse de Nawel ARAB

Cette soutenance aura lieu à l'ENS Paris-Saclay, 4 Avenue des Sciences, 91190 Gif-sur-Yvette, Amphithéâtre 1Z56

Titre de la thèse : Maximum de vraisemblance et apprentissage informé pour l’imagerie dynamique en radioastronomie

Ces travaux ont été réalisés dans le laboratoire SATIE, dirigés par
M. Pascal LARZABAL, Mme Isabelle VIN et M. Mohammed Nabil EL KORSO

Ajouter au calendrier

Composition du jury :

M. Karim ABED-MERAIM, de l'Université d'Orléans, Rapporteur

M. Thomas OBERLIN, de l'ISAE-Supaéro de Toulouse, Rapporteur

Mme Angélique DRÉMEAU de l'ENSTA de Bretagne, Examinatrice

M. Lorenzo ORTEGA, de l'IPSA de Toulouse, Examinateur

M. Yannick BERTHOUMIEU, de l'Université de Bordeaux, Examinateur

Mots clés : Maximum de vraisemblance,Problème inverse,Estimation robuste,Modèles d'espace d'état,Apprentissage informé,Radioastronomie

Résumé :

Cette thèse aborde le problème inverse de la reconstruction d'images en radio-interférométrie. À partir de données observées et de la connaissance a priori d'un modèle direct, les problèmes inverses visent à remonter aux paramètres susceptibles d'avoir généré ces mesures. Dans le contexte de l'imagerie radioastronomique, leur résolution permet d'inférer une image inconnue du ciel à partir des signaux mesurés par un réseau de radiotélescopes. Cette tâche est intrinsèquement mal posée et complexifiée par l'échantillonnage incomplet du plan de Fourier ainsi que par la corruption des données par le bruit, notamment les interférences radiofréquences (RFI). Nos contributions se concentrent sur le développement de méthodes d'inférence statistique robustes et adaptatives pour l'imagerie statique et dynamique. La première partie de ce travail traite de l'imagerie statique en présence de RFI, on propose un modèle à queues lourdes fondé sur une distribution Gaussienne Composée, dont la structure hiérarchique permet une estimation par algorithme EM déplié. La seconde partie étend ces idées à l’imagerie dynamique pour des scènes évolutives observées sur des temps courts. Après avoir montré les limites d’une approche fondée sur le filtre de Kalman pour un modèle d’observation non standard, la thèse introduit un cadre unifié pour l’estimation conjointe de la séquence d’images et des paramètres d’un modèle d’espace d’état. La dynamique y est décrite par un champ de déformation affine entre images. Une solution fondée sur des variantes stochastiques de l’EM est construite, combinant lissage de Kalman-RTS et échantillonnage Monte Carlo. Les expériences numériques montrent que cette stratégie permet d’estimer de manière fiable des séquences d’images dynamiques en présence de perturbations RFI importantes.