Annuaire des initiatives

Vous ne trouvez pas l'initiative qui correspond à votre besoin ? Notre assistant peut vous aider.

  • École normale supérieure Paris-Saclay
  • PyTorch
  • Sat-NeRF est un modèle avancé utilisant des champs de radiance neuronaux (NeRF) pour traiter des images satellites multi-vues. Il permet de générer des modèles 3D précis de surfaces terrestres, même en présence d'objets transitoires ou de variations d'ombre. Le système combine des techniques de photogrammétrie et d'apprentissage profond pour produire des reconstructions de haute qualité, utiles pour l'analyse géographique, l'urbanisme ou la gestion des risques.
  • L1BSR est un outil d'intelligence artificielle conçu pour améliorer la résolution d'images satellites Sentinel-2 de niveau L1B. Il permet de générer des images haute résolution (5m) à partir de données basse résolution (10m) en alignant correctement les bandes spectrales. Basé sur des modèles auto-supervisés, il ne nécessite pas de données de référence haute résolution pour l'entraînement. L'outil est particulièrement utile pour l'analyse environnementale et la cartographie précise.
  • MF2F est un outil de traitement d'images et de vidéos conçu pour restaurer des séquences bruitées en utilisant des méthodes avancées de flux optique et de masques de collision. Il permet de comparer des vidéos d'entrée avec des références propres pour générer des résultats optimisés, en exploitant des réseaux de neurones fine-tunés. Les méthodes proposées incluent des approches en ligne et hors ligne, avec ou sans réseau enseignant, pour améliorer la qualité visuelle des contenus multimédias.
  • HDR-DSP-SR est un réseau de neurones conçu pour améliorer la résolution et la dynamique des images capturées par des satellites push-frame multi-expositions. Il permet de traiter des données satellitaires en combinant super-résolution et reconstruction HDR, sans nécessiter de données d'entraînement annotées grâce à une approche auto-supervisée. Ce projet vise à optimiser la qualité des images pour des applications en observation terrestre et analyse environnementale.
  • Projet de recherche et développement dédié à l'amélioration de la qualité des vidéos en traitant simultanément le bruit et le démosaïçage. Il utilise des réseaux de neurones récurrents pour restaurer des vidéos RAW bruitées, en s'appuyant sur des modèles de caméras réelles et des pipelines inverses pour générer des données synthétiques. Les applications visent la post-production, la restauration d'archives et l'amélioration de flux vidéo en temps réel.
  • Projet de recherche en traitement d'images utilisant des techniques d'apprentissage auto-supervisé pour améliorer la résolution d'images satellites. L'objectif est de générer des images haute résolution à partir de données basse résolution, notamment pour des applications en observation terrestre ou en analyse environnementale.
  • Ce projet développe des modèles d'intelligence artificielle pour analyser des séries temporelles d'images satellites multi-modales (Sentinel-1 et Sentinel-2). Il permet de détecter automatiquement des changements sur les terres (déforestation, urbanisation, etc.), de surveiller l'évolution des cultures ou des infrastructures, et d'identifier des objets spécifiques comme les panneaux solaires. Les solutions proposées s'appuient sur des architectures duales et des mécanismes d'attention linéaire pour améliorer l'efficacité et la précision des prédictions.
  • Projet de recherche dédié à la détection d'ombres dans les images satellites à haute résolution. Il propose des outils pour entraîner, évaluer et affiner des modèles d'intelligence artificielle spécialisés dans l'analyse des ombres portées. Le code permet de traiter des données géospatiales pour des applications en télédétection, cartographie et observation de la Terre. Les modèles générés aident à améliorer la précision des analyses environnementales et urbaines.
  • Ce projet développe des modèles d'intelligence artificielle pour améliorer la résolution des images satellites Sentinel-2. Il permet de générer des cartes haute résolution à partir de données multispectrales, en exploitant des approches auto-supervisées et des séries temporelles. Les outils développés sont utiles pour la surveillance environnementale, l'agriculture de précision ou la gestion des risques naturels.
  • Ce projet développe des modèles de réseaux de neurones convolutifs (CNN) spécialisés dans le débruitage d'images, notamment pour des données visibles et infrarouges. Il permet d'améliorer la qualité d'images dégradées par du bruit, en utilisant des techniques d'apprentissage automatique pour restaurer les détails originaux. Les applications potentielles incluent la vision par ordinateur, la surveillance, ou l'imagerie médicale.

11 initiatives