École Nationale Supérieure de
Techniques Avancées

Résumé

L’astronomie est entrée dans l’ère du big data, avec des instruments modernes, au sol comme dans l’espace, produisant d’immenses jeux de données hyperspectraux. Les spectromètres imageurs à transformée de Fourier, tels que SITELLE, génèrent des cubes de données où chaque pixel spatial contient un spectre complet, permettant l’étude détaillée de sources astrophysiques faibles. Cependant, l’exploitation de ces données reste limitée par le bruit, issu à la fois des effets instrumentaux et de la nature intrinsèquement photonique des observations astronomiques. Dans ce contexte, l’apprentissage profond a récemment émergé comme une alternative prometteuse : les réseaux de neurones convolutionnels et les autoencodeurs ont démontré une grande efficacité, aussi bien sur des images 2D que sur des données hyperspectrales 3D. Ce stage, réalisé au sein du groupe d’astrophysique de l’Université Laval dans le cadre du programme de Master 1 à l’ENSTA Paris, a porté sur le développement et l’évaluation de méthodes d’apprentissage profond pour le débruitage des données hyperspectrales de SITELLE. Ce travail met en évidence le potentiel d’architectures telles que les U-Nets 3D pour améliorer la détection des signaux astrophysiques faibles tout en préservant la fidélité spectrale.