@InProceedings{2023_mhiri1116,
	author = "Yassine Mhiri and Mohammed Nabil EL KORSO and Arnaud Breloy and Pascal LARZABAL",
	title = "Imagerie radio-interférométrique robuste par dépliement neuronal",
	booktitle = "29° Colloque sur le traitement du signal et des images",
	year = "2023",
	publisher = "GRETSI - Groupe de Recherche en Traitement du Signal et des Images",
	number = "2023-1116",
	pages = "p. 213-216",
	month = "Aout # 6 - Sept # 9",
	address = "Grenoble",
	doi = "",
	pdf = "2023_mhiri1116.pdf",
	abstract = "Les algorithmes d'imagerie radio-interférométrique sont particulièrement sensibles aux bruits non gaussiens affectant les mesures.
De telles perturbations, notamment dues à la présence d'interférences de radiofréquences, peuvent être modélisées par 
des distributions gaussiennes composées. Cette modélisation conduit à la formulation d'un problème d'estimation du 
maximum de vraisemblance pour la tâche de reconstruction d'image. Cependant, le choix de la distribution et de ses hyperparamètres
peut avoir un impact significatif sur l'erreur de reconstruction. Dans cet article, nous généralisons l'algorithme d'espérance-maximisation 
pour l'imagerie radio-interférométrique récemment introduit par les auteurs à une modélisation du bruit additif par des distributions gaussiennes composées. 
Ensuite, 
nous proposons de déplier l'algorithme précédemment introduit, donnant lieu à un algorithme d'apprentissage profond déroulée
pour lequel
la robustesse au bruit hétérogène est pilotée de manière informée par la base d'apprentissage. 
Enfin, nous illustrons les performances du réseau proposé sur des données simulées..pdf",
}