Postdoc: Méthodes basées sur l'apprentissage pour les problèmes inverses d'imagerie à grande échelle (H

Missions :
Les problèmes inverses en imagerie sont omniprésents dans les sciences et l'ingénierie, avec un large éventail d'applications, allant de l'imagerie astronomique à la photographie computationnelle. Ces dernières années, les solutions basées sur l'apprentissage (profond) ont atteint des performances à l'état de l'art dans de nombreuses applications. Cependant, les méthodes existantes sont difficiles à adapter à des problèmes d'imagerie à grande échelle (par exemple, images haute résolution, volumes 3D, signaux 3D + temps) en raison des grandes quantités de mémoire GPU nécessaires pour l'entraînement et l'inférence [1]. La plupart des méthodes à l'état de l'art nécessitent que les données soient organisées sur une grille régulière (pixels, voxels, etc.), ce qui entraîne une dépendance exponentielle à la mémoire si des reconstructions à plus haute résolution sont souhaitées.

Les représentations neuronales implicites (INR) offrent une alternative pour la représentation des signaux, permettant une reconstruction haute résolution tout en nécessitant moins de mémoire pour stocker le contenu du signal [2]. Cependant, les INRs ont été principalement utilisées pour reconstruire un signal à la fois, c'est-à-dire sans exploiter d'apprentissage sur un ensemble de données d'exemples. Certaines solutions intégrant l'apprentissage ont montré des résultats prometteurs [3,4,5] ; toutefois, il reste à démontrer si ces méthodes peuvent atteindre des performances comparables à celles des méthodes basées sur des grilles et si elles peuvent être étendues à des problèmes inverses généraux. L'objectif de ce projet est d'étudier de nouveaux algorithmes de reconstruction basés sur l'apprentissage, efficaces en termes de mémoire (et de calcul), qui exploitent ces nouvelles représentations de signaux. En outre, ce projet adaptera des méthodes d'apprentissage auto-supervisées [6], qui ne nécessitent pas de données de vérité terrain pour l'entraînement, afin de gérer ces nouvelles représentations.

References :
1. Rudzusika, Jevgenija, et al. "3D Helical CT Reconstruction with a Memory Efficient Learned Primal-Dual Architecture." IEEE Transactions on Computational Imaging (2024).

2. Yüce, Gizem, et al. "A structured dictionary perspective on implicit neural representations." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. (2022).

3. Tancik, Matthew, et al. "Learned initializations for optimizing coordinate-based neural representations." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. (2021).

4. Chen, Yinbo, Sifei Liu, and Xiaolong Wang. "Learning continuous image representation with local implicit image function." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2021.

5. Dupont, Emilien, et al. "From data to functa: Your data point is a function and you can treat it like one." arXiv preprint arXiv:2201.12204 (
Voir plus sur le site emploi.cnrs.fr...