Actualités AI data Analysis

Actualité du projet

Détection et caractérisation d’exoplanètes par imagerie directe :

Nous avons développé de nouvelles approches pour l’analyse des observations en imagerie à haut contraste. Grâce au couplage de méthodes d’apprentissage statistique, basées données, et d’un cadre de traitement du signal, nos méthodes sont interprétables et la caractérisation des incertitudes est mieux contrôlée. Les travaux précédents se limitaient à la modélisation d’une séquence d’observation. Nous avons déployé une méthode d’apprentissage profond sur une grande archive d’observations afin de construire un modèle plus précis et plus robuste des données en imagerie directe, conduisant à une sensibilité accrue, en particulier à faible séparation angulaire de l’étoile hôte.

Reconstruction de disques circumstellaires :

L’imagerie directe permet de reconstruire une image de l’environnement proche d’une étoile, et ainsi d’imager les disques protoplanétaires de systèmes jeunes. Nous avons développé des algorithmes permettant d’extraire l’information grâce à la diversité spectrale et angulaire (technique ASDI), atteignant une qualité de reconstruction inégalée. Nous avons montré qu’il était possible de séparer la contribution d’un disque circumstellaire et d’exoplanètes, donnant ainsi accès aux astronomes à une information beaucoup plus précise sur l’interaction entre disque et exoplanètes.

Traitement d’observations multi-époques :

Les limites de détection d’exoplanètes peuvent être repoussées en combinant des observations acquises à plusieurs mois/années d’intervalle. Le mouvement des exoplanètes sur leur orbite apporte alors une information essentielle sur leur masse et permet d’éliminer les fausses détections en n’acceptant que les trajectoires compatibles avec les lois de Kepler.

Combinaison de modèles de l’instrument et de la physique des disques :

La reconstruction de disques circumstellaires à partir des mesures polarimétriques de l’instrument SPHERE/ZIMPOL du VLT a été réalisée en couplant une prise en compte fine de l’optique de l’instrument et l’expertise dans la modélisation des disques. Des simulateurs permettent de générer, en s’appuyant sur la physique, un très grand nombre d’images de disques. Un modèle d’IA a été entraîné sur ces images afin de capturer les relations statistiques au sein de ces images, puis intégré à un algorithme de reconstruction. Les disques reconstruits sont ainsi physiquement plus réalistes et l’approche proposée permet la caractérisation des incertitudes de la prédiction.

Apprentissage efficace de covariances denses et non-stationnaires :

La modélisation des corrélations est centrale dans de nombreuses applications. En très grande dimension, cette tâche est difficile car le nombre de paramètres devient gigantesque. Il est alors indispensable d’imposer une structure à la covariance. Nous avons développé des modèles plus généraux que les modèles classiques (diagonaux, circulants, ou diagonaux par blocs) et très efficaces pour l’étape d’estimation des paramètres et d’application du modèle. En imagerie haut contraste, ces nouveaux modèles permettent de repousser les limites de sensibilité de détection d’exoplanètes. En lien avec le projet « Unsupervised AO control » du PEPR ORIGINS, nous allons également explorer l’application de ces modèles de covariance pour le contrôle en optique adaptative.

Modèles probabilistes pour la reconstruction d’images sous contrainte de positivité :

Nous avons développé des méthodes d’inférence statistique, adaptées au traitement de signaux en grande dimension et modélisant la positivité des images astronomiques. Ces modèles sont construits afin de conduire à des algorithmes tractables, notamment pour des applications en déconvolution d’images.

Co-conception de systèmes à haute résolution angulaire assistés par optique adaptative :

Lorsqu’un système d’imagerie à haute résolution angulaire combine une optique adaptative et des algorithmes de déconvolution afin de réduire autant que possible flou, la performance optimale ne peut être atteinte que par une optimisation globale (c’est-à-dire : conjointe) de l’ensemble de la chaîne d’imagerie. Nous avons développé des approches permettant de sélectionner certains paramètres du système afin d’atteindre cette configuration optimale, mettant en évidence un gain significatif par rapport à une optimisation séparée du système d’optique adaptative et de l’algorithme de restauration d’images.

Focus sur ce qu’il reste à faire

• La détection et la caractérisation d’exoplanètes avec la méthode des vitesses radiales : L’analyse des mesures spectroscopiques nécessite la résolution d’un problème inverse difficile : non-linéaire, d’ordre inconnu (le nombre d’exoplanètes doit être déterminé d’après les données), et sous diverses perturbations (activité stellaire, effets telluriques, …). Nous prévoyons de mettre en œuvre des méthodes de traitement du signal avancées (modèles stochastiques Bernoulli-Gaussien) afin d’améliorer l’analyse de ces données.
• Apprentissage statistique sur de grandes archives d’observations pour la reconstruction de disques circumstellaires : En imagerie à haut contraste, le démélange du signal d’intérêt (l’image du disque) et de la lumière parasite venant de l’étoile hôte est très difficile. Cette tâche peut être apprise d’après les nombreuses images d’archive disponibles.
• Apprentissage auto-supervisé pour la reconstruction d’images en astronomie : La plupart des méthodes d’IA reposent sur des bases d’entraînement pour lesquelles la réponse attendue est connue (apprentissage supervisé). En imagerie scientifique, il est indispensable de pouvoir entraîner des modèles sans introduire de biais lié aux réponses attendues, c’est-à-dire apprendre uniquement d’après les observations. L’apprentissage auto-supervisé est un sujet très actif en apprentissage statistique et en vision par ordinateur qui mérite d’être couplé avec les spécificités de l’observation astronomique pour aboutir à des méthodes applicables sur données réelles.
• Fusion de données à haute résolution angulaire et à haut contraste : L’imagerie à haut contraste (derrière un coronographe) et l’interférométrie (Sparse Aperture Masking, interférométrie à longue base) donnent accès à des régions complémentaires pour l’observation de disques circumstellaires complexes : partie externe en imagerie à haut contraste, partie interne accessible uniquement en interférométrie. La fusion de ces deux modalités complémentaires permettra d’accéder à des informations cruciales pour la compréhension des mécanismes à l’œuvre au sein de ces disques.

Relation avec les autres projets ciblés

Les modèles statistiques développés sont également appliqués au problème du contrôle prédictif des systèmes d’optique adaptative (projet « Unsupervised AO control » du PEPR ORIGINS).

Relation avec les entreprises

Non concerné pour le moment

Publications liées au projet

• [1]               Romain Fétick, Alix Yan, Laurent M. Mugnier, Jean–François Giovannelli, Cyril Petit. Robust myopic deconvolution combining the parametric marginal approach and a support constraint: experimental validation on Adaptive–Optics corrected images. AOE4LT8, Oct 2025, Vina del Mar, Chile. 2025. ⟨hal–05542387⟩
• [2]               Florian Cheyssial, Laurent M. Mugnier, Cyril Petit. Stratégie de co–conception pour les systèmes d’optique adaptative : application à l’optimisation des longueurs d’onde pour l’observation de satellites. GRETSI 2025, Aug 2025, Strasbourg, France. pp. 1141–1144 / 2025–1747. ⟨hal–05521246⟩
• [3]               Pierre Minier, Jean–François Giovannelli, François Orieux. A Probabilistic Model for Image Processing with Positivity Constraint and Spectral Density Control. 2025 IEEE Statistical Signal Processing Workshop (SSP2025), Jun 2025, Edimbourg, United Kingdom. ⟨10.1109/ssp64130.2025.11073477⟩. ⟨hal–05049694⟩
• [4]               Pierre Minier, Jean–François Giovannelli, François Orieux, Marcelo Pereyra. Sampling High–Dimensional Constrained Gaussian Distributions Using Circulant Gibbs. IEEE International Conference on Image Processing (ICIP 2026), Sep 2026, Tempere, Finland. pp.1–6, ⟨10.1109/ICIP61757.2026.11630488⟩. ⟨hal–05644009⟩
• [5]               Olivier Flasseur, Loïc Denis, Éric Thiébaut, Maud Langlois. REXPACO ASDI: Joint unmixing and deconvolution of the circumstellar environment by angular and spectral differential imaging. Monthly Notices of the Royal Astronomical Society, 2024, 535 (1), pp.689–728. ⟨10.1093/mnras/stae2291⟩. ⟨hal–04719549⟩
• [6]               Yann Gutierrez, Johan Mazoyer, Laurent M. Mugnier, Olivier Herscovici–Schiller, Baptiste Abeloos. Image–based wavefront correction using model–free Reinforcement Learning. Optics Express, 2024, 32 (18), pp.31247. ⟨10.1364/OE.529415⟩. ⟨hal–04624895v2⟩
• [7]               Quentin Villegas, Laurence Denneulin, Simon Prunet, André Ferrari, Nelly Pustelnik, et al.. Modèles de diffusion pour la reconstruction polarimétrique d’environnements circumstellaires. GRETSI 2025 – XXXe Colloque sur le Traitement du Signal et des Images, Aug 2025, Strasboug, France. ⟨hal–05308782v2⟩
• [8]               Théo Bodrito, Olivier Flasseur, Julien Mairal, Jean Ponce, Maud Langlois, et al.. A New Statistical Model of Star Speckles for Learning to Detect and Characterize Exoplanets in Direct Imaging Observations. CVPR 2025 – IEEE / CVF Conference on Computer Vision and Pattern Recognition, Jun 2025, Nashville, United States. pp.1–15. ⟨hal–05000360⟩
• [9]               Théo Bodrito, Olivier Flasseur, Julien Mairal, Jean Ponce, Maud Langlois, et al.. Deep learning for exoplanet detection and characterization by direct imaging at high contrast. JDLS 2025 : Troisième Journée Deep Learning For Science, Jun 2025, Paris, France. pp.1–1, 2025. ⟨hal–05251768⟩
• [10]             Théo Bodrito, Olivier Flasseur, Julien Mairal, Jean Ponce, Maud Langlois, et al.. Deep learning for exoplanet detection and characterization by direct imaging at high contrast. SF2A 2025 – Journées de la Société Française d’Astronomie & d’Astrophysique, Jul 2025, Toulouse, France. pp.1–5. ⟨hal–05281730⟩
• [11]             Théo Bodrito, Olivier Flasseur, Julien Mairal, Jean Ponce, Maud Langlois, et al.. Modèle statistique apprenable de mélange de distributions et fusion de données multivariées pour l’imagerie d’exoplanètes. GRETSI 2025 – XXXe Colloque Francophone de Traitement du Signal et des Images, Aug 2025, Strasbourg, France. pp.1–4. ⟨hal–05140005⟩
• [12]             Théo Bodrito, Olivier Flasseur, Julien Mairal, Jean Ponce, Maud Langlois, et al.. Joint statistical modeling and deep learning for exoplanet detection and characterization by direct imaging at high contrast. EPSC–DPS Joint Meeting 2025, Sep 2025, Helsinki, Finland. pp.1–47. ⟨hal–05251737⟩