Self-Supervised Learning from Noisy and Incomplete Data

Julián TACHELLA soutiendra son habilitation à diriger des recherches (HDR), en section CNU n°61 – Génie informatique, automatique et traitement du signal, Discipline : Informatique, le 15 septembre 2026 à 14h.

Résumé de la thèse

De nombreux problèmes importants en sciences et en ingénierie se ramènent à l'estimation d'un signal à partir d'observations bruitées et/ou incomplètes, le processus d'observation étant supposé connu. Historiquement, ce problème a été abordé au moyen de régularisations construites à la main (parcimonie, variation totale) afin d'obtenir des estimations pertinentes. Les méthodes récentes fondées sur les données fournissent souvent de meilleures solutions en apprenant directement à un solveur à partir d'exemples de signaux de référence et des observations associées. Cependant, dans de nombreuses applications réelles, les signaux de référence nécessaires à l'apprentissage sont très coûteux, voire impossibles à obtenir. Les méthodes d'apprentissage auto-supervisées offrent une alternative prometteuse en apprenant à un solveur à partir des seules données de mesure, s'affranchissant ainsi du besoin de références. Ce mémoire propose une synthèse des différentes méthodes auto-supervisées pour les problèmes inverses, en mettant l'accent sur leurs fondements théoriques, et présente des applications pratiques aux problèmes inverses en imagerie.

Devant un jury composé de : 

• Monsieur Julien MAIRAL, directeur de recherche
• Madame Caroline CHAUX, directrice de recherche
• Madame Florence FORBES, directrice de recherche
• Monsieur Rémi GRIBONVAL, directeur de recherche
• Monsieur Richard BARANIUK, professeur

Many important problems in science and engineering boil down to inferring a signal from noisy and/or incomplete observations, where the observation process is known. Historically, this problem has been tackled using some sort of hand-crafted regularization (sparsity, total variation) to obtain meaningful estimates. Recent data-driven methods often provide better solutions by training a solver directly using examples of ground-truth signals and their associated observations. However, in many real-world applications, ground-truth signals for training are very expensive or even impossible to obtain. Self-supervised learning methods offer a promising alternative by training a solver using only measurement data, thereby eliminating the need for ground-truth references. This manuscript provides a comprehensive summary of different self-supervised methods for inverse problems, with a special emphasis on their theoretical underpinnings and presents practical applications in imaging inverse problems.

Defended before a committee composed of:

• Mr. Julien MAIRAL, researcher
• Ms. Caroline CHAUX, researcher
• Ms. Florence FORBES, researcher
• Mr. Rémi GRIBONVAL, researcher
• Mr. Richard BARANIUK, professor