Approches de majoration-minimisation pour les problèmes inverses de grande dimension en traitement d'images.

par Yunshi Huang

Projet de thèse en Signal, Image, Automatique

Sous la direction de Emilie Chouzenoux.

Thèses en préparation à Paris Est , dans le cadre de MSTIC : Mathématiques et Sciences et Technologies de l'Information et de la Communication , en partenariat avec LIGM - Laboratoire d'informatique Gaspard-Monge (laboratoire) depuis le 01-10-2018 .


  • Résumé

    Cette thèse vise à proposer une nouvelle génération d'algorithmes de MM qui restent efficaces dans le cadre du traitement des "big data". Les aspects suivants seront étudiés: (i) la dérivation de stratégies optimales pour construire des fonctions majorantes propices à la parallélisation des algorithmes, (ii) l'analyse de convergence de formes parallèles / distribuées d'approches MM, (iii) l'intégration du cadre MM dans des méthodes bayésiennes de simulation / approximation . Diverses applications, dans le domaine du traitement de l'image, sont prévues afin d'évaluer les avantages des méthodes développées sur des applications réelles.

  • Titre traduit

    Majorization-Minimization approaches for large scale inverse problems in image processing.


  • Résumé

    This thesis aims at proposing a new generation of MM algorithms that remain efficient in the context of "big data" processing. The following aspects will be investigated : (i) derivation of optimal strategies for constructing parallel-friendly majorizing functions, (ii) convergence analysis of parallel/distributed forms of MM approaches, (iii) integration of the MM framework into Bayesian simulation/approximation methods. Various applications, in the domain of image processing, are foreseen in order to assess the benefits of the developed methods on real-world computing problems.