le 9 décembre 2025 à 10:00 à Bâtiment ESPRIT - Atrium
Les algorithmes de Monte Carlo par chaînes de Markov (MCMC) sont des approches standard pour résoudre les problèmes inverses d'imagerie et quantifier les incertitudes d'estimation, qui sont essentielles en l'absence de données de validation. Afin d'améliorer la qualité des estimations, des algorithmes MCMC Plug-and-Play, tels que PnP-ULA, ont récemment été développés pour prendre en compte les a priori encodés par un réseau neuronal de débruitage. La conception d'échantillonneurs pouvant passer à l'échelle pour les problèmes inverses d'imagerie à haute dimension reste un défi : la génération et le stockage d'échantillons en grande dimension peuvent être prohibitifs, en particulier pour les images à haute résolution. Pour remédier à ce problème, les travaux présentés dans cette thèse proposent un échantillonneur distribué basé sur l'augmentation de données approchée et des algorithmes d'échantillonnage Plug-and-Play afin de résoudre des problèmes de très grande taille. L'échantillonneur proposé utilise un réseau neuronal convolutif de débruitage encodé par un faible nombre de paramètres, combiné à des noyaux de transition basés sur Langevin, afin d'exploiter efficacement plusieurs GPU sur une architecture Single Program Multiple Data. Une librairie modulaire a été introduite pour faciliter le développement des algorithmes MCMC distribués. Elle tire parti de la structure générique des algorithmes MCMC pour permettre une intégration plus simple de différents échantillonneurs, tout en mettant l'accent sur l'efficacité de la communication et l'adaptabilité à des environnements multi-GPU. Les performances de reconstruction et de passage à l'échelle sont évaluées sur plusieurs problèmes d'imagerie. Les coûts de communication et de calcul liés au débruiteur sont comparés et discutés. L'approche distribuée proposée combine de manière notable trois qualités très précieuses : elle permet de passer à l'échelle, sans altérer la qualité d'estimation obtenue grâce à des a priori profonds riches, et d'en quantifier l'incertitude.
M. Pierre-Antoine THOUVENIN Centrale Lille Directeur de thèse, Mme Julie DELON Université Paris Cité Rapporteure, M. Marcelo PEREYRA Heriot-Watt University Rapporteur, M. Andrés ALMANSA Université Paris Cité Examinateur, M. Bruno GALERNE Université d’Orléans Examinateur, M. Pierre CHAINAIS Centrale Lille Co-directeur de thèse, Mme Audrey REPETTI Heriot-Watt University Invitée.
français
English