Université de Rennes Deep learning for inverse problems and application to omni-directional imaging Apprentissage profond pour problèmes inverses en imagerie par champs de lumière et en imagerie omni-directionnelle problèmes inversesrégularisationdeep learningimages omnidirectionnellesplug-and-playdébruitage Inverse problemsregularizationdeep learningomnidirectional imagesplug-and-playdenoising Apprentissage profond Problèmes inverses Cette thèse est consacrée à contribuer à des solutions d'apprentissage profond pour régulariser des problèmes inverses en imagerie perspective et omnidirectionnelle. Dans la première partie, nous nous concentrons sur les images 2D et nous commençons par proposer de régulariser le Deep Image Prior avec le débruiteur DRUNet de pointe. Cette combinaison améliore les performances du DIP et se compare favorablement avec les méthodes qui ont été proposées précédemment pour le régulariser. Ensuite, nous proposons une nouvelle approche pour entraîner un réseau modélisant le gradient d'un régulariseur en utilisant un débruiteur appris. Nous utilisons ce réseau dans un algorithme de descente de gradient Plug-and-play et montrons qu'il surpasse les méthodes génériques existantes. Dans la deuxième partie de cette thèse, nous nous concentrons sur les images omnidirectionnelles et nous abordons le problème du débruitage, comme première étape vers des méthodes de régularisation basées sur le débruiteur. Nous introduisons un nouveau débruiteur sphérique, en transférant le débruiteur DRUNet de pointe sur la sphère. Nous montrons également que le débruitage d'images omnidirectionnelles est plus efficace lorsqu'il est effectué directement sur la sphère plutôt que débruiter sa projection. This thesis is devoted to contribute to deep learning solutions to regularize inverse problems in perspective and omnidirectional imagery. In the first part of this manuscript, we focus on perspective imagery and we begin by proposing to regularize the Deep Image Prior with the state-of-the-art DRUNet denoiser. This combination enhances the performance of the DIP and compares favourably with the methods that have been proposed previously to regularize it. Then, we propose a novel approach to train a network modeling the gradient of a regularizer by using a deep denoiser. We use this network in a Plug-and-play gradient descent algorithm and show that it outperforms existing generic methods. In the second part of this thesis, we focus on omnidirectional images and we address the problem of omnidirectional image denoising, as a first step towards denoiser-based regularization methods. We introduce a novel spherical denoiser, by transferring the state-of-the-art DRUNet denoiser into the sphere. We also show that omnidirectional image denoising is more efficient when performed directly on the sphere rather than a corresponding mapping. Electronic Thesis or DissertationText en application/pdf1 : 53615 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/5379e754-63f4-4e70-9846-8c47daa16a05 Fermanian Rita 1997-10-14 LB 278758282 rittafermanian@gmail.com 2023URENS112 http://www.theses.fr/2023URENS112 2023-12-06 Signal, image, vision Université de Rennesthesis.degree.grantor_1 26693823X Doctorat non ouiGuillemotChristineintervenant_1061597074KervrannCharlesintervenant_2103581162GuillemotChristineintervenant_1061597074YaacoubCharlesintervenant_5168947730PapadakisNicolasintervenant_6121620662Le PenduMikaelintervenant_7192888420AlmansaAndrésintervenant_315726355XMoussaouiSaïdintervenant_4099024330 MATISSEecoleDoctorale_1 267602553 INRIA-RENNES partenaireRecherche_1 133175863 ddc:620 GuillemotChristineKervrannCharlesAlmansaAndrésMoussaouiSaïdYaacoubCharlesPapadakisNicolasLe PenduMikaelUniversité de RennesMATISSE INRIA-RENNES ASCII PDF 54902199