Stage sur le débruitage d’image astro par IA

Description Du Poste

Une proposition pour améliorer la détection de satellites à faible rapport signal-sur-bruit (SNR)

consiste à utiliser une chaîne de traitement débruiteur–détecteur. Un tel pipeline permet

d’améliorer le rapport signal-bruit des données issues des capteurs, de sorte qu’un détecteur

heuristique léger et interprétable puisse identifier de manière fiable les cibles. Cette approche

offre une bonne explicabilité du processus de détection tout en améliorant potentiellement le

rappel. Les approches modernes montrent que les U-Nets résiduels offrent un excellent

compromis entre performance de débruitage et efficacité en temps de calcul, ce qui en fait des

candidats idéaux pour cette tâche. Les réseaux résiduels de type DnCNN (Denoising

Convolutional Neural Network) constituent une alternative compacte, adaptée aux

environnements embarqués. Lorsque les données d’entraînement propres sont rares ou

indisponibles, des stratégies auto-supervisées telles que Noise2Void et Noise2Self permettent

d’obtenir un débruitage de haute qualité en utilisant uniquement des exemples bruités.

Dans le domaine de la connaissance de la situation spatiale (SSA), une réduction efficace du

bruit améliore directement la détection des satellites. Une meilleure suppression du fond

permet l’identification d’objets plus petits et plus faibles, y compris à haute altitude ou dans des

conditions d’observation défavorables. Elle renforce également la calibration photométrique,

essentielle pour déterminer la taille, la forme et les propriétés de rotation des objets spatiaux

résidents (RSO) à partir de la lumière qu’ils réfléchissent.

L’entraînement consiste à ajouter progressivement du bruit aux images et à apprendre au

réseau à inverser cette dégradation. À travers des milliers de cycles aller-retour, le DDNN

apprend à distinguer les composantes structurées (par exemple, les traînées d’étoiles ou les

motifs du détecteur) du bruit aléatoire non modélisé. Dans Waldmann et al. (2023), une

démonstration montre les excellentes performances de cette technique pour isoler les signaux

réels des artefacts du capteur. Après traitement, le bruit du détecteur est supprimé tandis que

le signal du satellite reste clairement visible. Le rapport signal-bruit augmente d’environ 60 %,

améliorant significativement les capacités de détection Dans le cadre de ce stage, l’objectif est d’explorer des approches DNN et leurs impact en terme de rappel et précision une fois combinées à des algorithmes de détection basés sur des heuristiques.

Profil recherché

• Vous avez une expérience en Python;
• Vous avez des bases solides en traitement du signal et de l’image;
• Vous avez de bonnes compétences orales et écrites en français et en anglais;
• Vous avez une bonne culture du monde de l’aérospatial.