Apprentissage profond pour l'amélioration des images SAR : fusion multimodale et débruitage interférométrique

Cette thèse s'intéresse au débruitage des images radar à synthèse d'ouverture (SAR), ciblant le speckle en imagerie d'amplitude et le bruit de phase en interférométrie SAR (InSAR). Ces problématiques sont centrales pour de nombreuses applications en télédétection, de la cartographie de l'occupation des sols à l'estimation des déplacements terrestres.Si les méthodes classiques fondées sur des modèles statistiques et des filtres non-locaux ont permis de mieux préserver les structures, elles atteignent leurs limites face aux exigences actuelles de précision et de généralisation. L'apprentissage profond offre de nouvelles perspectives en apprenant directement des représentations adaptées aux spécificités du signal radar.Nous proposons deux contributions méthodologiques majeures. La première concerne le débruitage SAR par fusion multimodale SAR-optique. En exploitant la complémentarité entre modalités, nous développons une approche auto-supervisée qui guide le filtrage grâce aux données optiques, préservant les détails géométriques et texturaux. Cette méthode s'affranchit de vérités terrain en exploitant l'indépendance entre parties réelles et imaginaires des données radar.La seconde contribution porte sur le débruitage conjoint de phase et cohérence en InSAR, étape critique pour l'estimation des déplacements ou de la topographie. Basée sur des données multi-canales projetées, notre méthode ramène le problème multicanal à des traitements mono-canal tout en intégrant une régularisation spatiale adaptée, stabilisant l'estimation malgré les fortes variations radiométriques ou temporelles.Les résultats expérimentaux démontrent des améliorations quantitatives et qualitatives significatives pour les applications aval (détection de déformations, surveillance environnementale, cartographie). Cette thèse établit un pont entre traitement du signal radar classique et apprentissage automatique moderne, valorisant la complémentarité entre modélisation physique, données multimodales et auto-supervision.