Thèse Modèle Génératifs Efficaces pour les Données Parcimonieuses H/F - 50

Établissement : École nationale des ponts et chaussées
École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris
Laboratoire de recherche : LIGM - Laboratoire d'informatique Gaspard-Monge
Direction de la thèse : David PICARD ORCID 0000000262964222
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-14T23:59:59

Cette recherche propose le développement de cadres génératifs économes en données, fondés sur des architectures de « flow-matching », conçus pour surmonter les exigences prohibitives en matière de données des modèles les plus avancés actuels lorsqu'ils sont appliqués à des données parcimonieuses. Bien que les modèles modernes de « flow-matching » soient efficaces pour générer des images ou des vidéos, leur dépendance à l'égard d'ensembles de données massifs et densément échantillonnés limite leur utilité dans les domaines caractérisés par des lacunes observationnelles. En prenant l'observation de la Terre comme étude de cas principale, ce projet explore de nouvelles architectures neuronales et algorithmes d'entraînement permettant une imputation et une interpolation spatio-temporelles robustes, malgré les passages intermittents des satellites et les occultations atmosphériques. Les modèles résultants visent à fournir des reconstructions haute fidélité des dynamiques environnementales à partir de registres fragmentés, débloquant ainsi de nouvelles capacités pour la surveillance environnementale continue là où l'acquisition de données est intrinsèquement contrainte.

L'ENPC développe des axes de recherche en IA pour la transition écologique en s'appuyant sur l'expertise des chercheurs au LIGM qui sont spécialistes de l'IA (vision par ordinateur).