Nelly Pustelnik : la restauration d’images au défi des sciences observationnelles

La restauration d’images ne se limite pas à l’amélioration de la qualité des photos de famille et d’archives, elle concerne également celles produites par des instruments scientifiques. Nelly Pustelnik, directrice de recherche CNRS au Laboratoire de physique de l’ENS de Lyon (LPENSL – CNRS/ENS de Lyon), travaille ainsi à la résolution de problèmes inverses pour le traitement de signal et d’images. Un problème inverse consiste, à partir d’une observation, ici une image dégradée, et à remonter jusqu’à son origine, l’image nette.

« Pour résoudre les problèmes inverses, on considère une fonction permettant de relier l’observation de l’image à reconstruire et d’incorporer des a priori sur cette image, explique Nelly Pustelnik. On minimise ensuite cette fonction grâce à des algorithmes d’optimisation dont la solution est l’image restaurée. » Pendant des années, la résolution de ces problèmes inverses s’est concentrée sur le choix de la fonction et de l’algorithme d’optimisation, notamment à l’aide d’outils mathématiques comme les régularisations non lisses et les algorithmes d’optimisation proximaux.

« Cette méthode offre un compromis entre le terme d’attache aux données, qui choisit une solution fidèle aux données dégradées, et le terme de régularisation, qui implique que le résultat peut lui-même être impacté par l’a priori choisi, note Nelly Pustelnik. L’essor des réseaux de neurones nous a permis de repenser cette stratégie en offrant une plus grande flexibilité dans le choix des a priori utilisés pour nous guider vers la meilleure solution. »

L’idée est de bénéficier des performances des réseaux de neurones tout en conservant de fortes garanties théoriques sur les résultats. Nelly Pustelnik utilise notamment une bibliothèque logicielle qui facilite la construction de réseaux de neurones informés, DeepInverse, dont l’un des créateurs est membre de son équipe.

Nelly Pustelnik a reçu en 2023 une subvention scientifique de la fondation Simone et Cino del Duca, remise par l’Académie des sciences. L’argent est investi dans le développement d’algorithmes informés pour des applications d’analyse d’images de très grandes dimensions et déformées par des éléments optiques, telles que celles obtenues par les télescopes. Il s’agit notamment de la reconstruction d’images de disques circumstellaires, des halos de matière et de gaz entourant une étoile, capturées par des télescopes installés au Chili.

Les algorithmes devront passer à l’échelle pour parvenir à gérer le grand volume d’images fortement dégradées produites par les télescopes. Nelly Pustelnik et son équipe devront également prendre en compte l’absence de bases de données reproduisant le couple d’images originales/dégradées, indispensable à l’apprentissage supervisé de réseaux de neurones dans le cadre des problèmes inverses. Ces réseaux de neurones seraient également beaucoup plus efficaces s’ils pouvaient s’entraîner sur un grand nombre de vues différentes d’un même objet.

Nelly Pustelnik travaille ainsi avec le Centre de recherche astrophysique de Lyon (CRAL – CNRS/ENS Lyon/Université Claude Bernard Lyon 1) pour exploiter ce type de données et en créer pour l’entraînement. Ces images artificielles sont fabriquées à partir de modèles simplifiés d’environnement circumstellaires combinés à des informations issues d’observations réelles, ainsi qu’à une analyse par un modèle d’observation numérique. Les IA disposent ainsi à la fois du point de départ et de celui d’arrivée. Ce dernier aura lieu sur les puissants serveurs du Centre Blaise Pascal (CBP – ENS Lyon). Avec l’optimisation multiéchelle réalisée par Nelly Pustelnik et son équipe et la fabrication de données d’entraînement, les stratégies d’apprentissage informées disposent des meilleures conditions pour améliorer la reconstruction d’images scientifiques.