Le thème « Problèmes inverses et imagerie » se situe à l’interface de la physique, du traitement statistique des signaux et des images, et de l’apprentissage statistique. Il vise à développer des méthodes de reconstruction à partir de données indirectes, en s’appuyant sur des modèles physiques et des approches d’inversion variationnelles, bayésiennes et apprises.
Les axes de recherche couvrent notamment l’apprentissage pour l’inversion et l’intégration de contraintes physiques dans les modèles d’IA, les approches bayésiennes et génératives pour la quantification des incertitudes, ainsi que des domaines applicatifs structurants tels que le contrôle non destructif, l’imagerie du vivant, l’imagerie hyperspectrale en astrophysique et la localisation de sources.
Ces travaux visent à proposer des méthodes robustes, interprétables et adaptées à des données complexes, souvent massives, bruitées ou incomplètes.

Les travaux de recherche sont tant méthodologiques qu’applicatifs, avec des collaborations académiques (ANR BECOSE, Dark-Era, BMWs) et industrielles (Safran, Thalès, CEA DAM et LIST, Atos-Bull, Forevia, etc.)

Apprentissage pour l’inversion – IA et physique

Cet axe porte sur le développement de méthodes d’apprentissage pour la résolution de problèmes inverses, en articulation étroite avec la modélisation physique. Les travaux visent à intégrer des architectures de type unrolling, plug-and-play ou modèles à équilibre profond dans des cadres d’inversion contraints par la physique. L’enjeu est de concilier performance numérique, interprétabilité et respect des lois du modèle direct. Une attention particulière est accordée à l’analyse théorique (stabilité, convergence, robustesse) de ces approches hybrides. Ces développements trouvent des applications en imagerie et en traitement de signaux dans des contextes fortement non linéaires ou bruités.

Localisation de sources

Cet axe traite de la localisation et de la caractérisation de sources à partir de mesures issues de réseaux de capteurs, dans des contextes acoustiques ou électromagnétiques. Les travaux portent sur le développement de méthodes adaptées à des configurations complexes (sources corrélées, étendues, réseaux asynchrones) et en grande dimension. Une attention particulière est accordée aux approches sans grille et aux méthodes parcimonieuses. Les recherches incluent également des contributions à l’analyse théorique des performances ainsi qu’à la conception de dispositifs d’acquisition. Ces développements visent à améliorer la précision et la robustesse des méthodes de localisation.

Imagerie du vivant

Cet axe vise le développement de méthodes d’imagerie pour le vivant, en s’appuyant sur des modèles physiques précis et des techniques d’inversion avancées. Les travaux portent en particulier sur la microscopie à haute résolution (dont l’illumination structurée) et sur la fusion de données multimodales. L’objectif est d’améliorer la qualité des reconstructions en termes de résolution, contraste et séparation des structures. Une attention est également portée à l’exploitation de données expérimentales issues de dispositifs innovants. Ces recherches trouvent des applications en biologie et en imagerie biomédicale.

Approche bayésienne – processus de diffusion

Cet axe développe des approches bayésiennes pour les problèmes inverses, permettant une quantification rigoureuse des incertitudes. Les travaux s’appuient sur des modèles probabilistes avancés, incluant les méthodes variationnelles et les modèles génératifs récents tels que les processus de diffusion. L’objectif est d’estimer des distributions a posteriori plutôt que des solutions ponctuelles, en intégrant des informations a priori complexes. Ces approches permettent de traiter des données incomplètes ou fortement bruitées dans un cadre cohérent. Elles sont appliquées en imagerie, en astrophysique et en analyse de données de grande dimension.

Imagerie computationnelle hyperspectrale – astrophysique

Cet axe concerne l’analyse et la reconstruction de données d’imagerie hyperspectrale, notamment en astrophysique. Les travaux portent sur la fusion de données hétérogènes, le démélange de sources et la prise en compte des dégradations instrumentales. Les approches développées reposent sur des méthodes d’optimisation avancées, combinées à des modèles physiques adaptés. Une attention particulière est accordée à la gestion de données massives et à l’efficacité algorithmique. Ces recherches s’inscrivent dans le cadre de collaborations avec des projets d’envergure internationale.

Contrôle non destructif

Cet axe concerne l’imagerie et la caractérisation de milieux complexes à partir de mesures issues de la propagation d’ondes (électromagnétiques, du quasi-statique au THz, ultrasonores, thermiques…). Les travaux combinent modélisation physique fine et développement de méthodes d’inversion adaptées à des contextes réalistes (données partielles, bruit, incertitudes). Une attention particulière est portée aux méthodes rapides et robustes, ainsi qu’à la prise en compte de conditions d’acquisition non idéales. Les applications ciblent notamment la détection et la caractérisation de défauts dans des structures industrielles. Cet axe s’inscrit dans un réseau de collaborations académiques et industrielles soutenues.