BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:76@osups.universite-paris-saclay.fr DTSTART;TZID=Europe/Paris:20260512T140000 DTEND;TZID=Europe/Paris:20260512T170000 DTSTAMP:20260510T190501Z URL:https://osups.universite-paris-saclay.fr/calendrier/soutenance-these-d e-pierre-laurent-cristille-le-12-mai/ SUMMARY:Soutenance thèse de Pierre-Laurent Cristille le 12 mai DESCRIPTION:Pierre-Laurent Cristille soutiendra le 12 mai à 14 heures à l 'IAS (salle 123) sa thèse "Data Fusion with Deep Learning for Space Missi ons" menée dans le cadre du LabCom INCLASS entre l'IAS et la société AC RI-ST.\n\n\n\nFrançais :\n\nFusion de données avec apprentissage profond pour les missions spatiales\nLes missions spatiales produisent de grands volumes de données issues d'instruments aux résolutions spatiales et spe ctrales différentes : les instruments d'imagerie offrent une haute résol ution spatiale mais un contenu spectral limité\, tandis que les spectrom ètres fournissent une information spectrale riche à une résolution spat iale plus grossière. Cette thèse développe des méthodes d'apprentissag e profond pour fusionner ces deux types de données lorsqu'une vérité te rrain haute résolution n'est pas disponible.\nL'idée centrale est de rem placer la vérité terrain indisponible par une supervision synthétique\, en modélisant précisément le processus d'observation de chaque instrum ent. Pour l'observation de la Terre\, des jeux de données synthétiques d édiés ont été générés à partir d'images hyperspectrales EnMAP\, pe rmettant une fusion robuste entre les missions Sentinel-2 et Sentinel-3 av ec une haute fidélité spectrale et une cohérence spatiale.\n\nCe cadre est ensuite étendu au domaine bien plus difficile des observations astron omiques avec le télescope spatial James Webb. Là\, la vérité terrain e st fondamentalement inaccessible et la dimensionnalité spectrale est extr ême. Un pipeline dédié de génération de données astrophysiques synth étiques a été développé\, ainsi qu'une nouvelle architecture d'appren tissage profond spécifiquement conçue pour la fusion de l'imageur et du spectromètre MIRI\, capable de traiter des milliers de canaux spectraux t out en préservant les détails spectraux fins et la résolution spatiale. \n\nDans l'ensemble\, cette thèse établit un paradigme unifié combinant la modélisation des instruments et l'apprentissage profond\, démontrant que la supervision synthétique réaliste permet une fusion hyperspectral e robuste et extensible\, aussi bien en observation de la Terre qu'en astr ophysique.\nEnglish:\nData Fusion with Deep Learning for\nSpace Missions\n \nSpace missions produce large volumes of data from instruments with diffe rent spatial and spectral resolutions: imaging instruments offer high spat ial resolution but limited spectral content\, while spectrometers provide rich spectral information at coarser spatial resolution. This thesis devel ops deep learning methods to fuse these two data types when high-resolutio n ground truth is unavailable.\nThe core idea is to replace unavailable gr ound truth with synthetic supervision\, by accurately modeling each instru ment's observation process. For Earth observation\, dedicated synthetic da tasets were generated from EnMAP hyperspectral imagery\, enabling robust f usion across Sentinel-2 and Sentinel-3 missions with high spectral fidelit y and spatial consistency.\n\nThis framework is then extended to the far m ore challenging domain of astronomical observations with the James Webb Sp ace Telescope. There\, ground truth is fundamentally unobtainable and spec tral dimensionality is extreme. A dedicated synthetic astrophysical datase t generation pipeline was developed\, along with a new deep learning archi tecture specifically designed for MIRI imager and spectrometer fusion\, ca pable of handling thousands of spectral channels while preserving fine spe ctral features and spatial detail.\n\nOverall\, this thesis establishes a unified paradigm combining instrument modeling with deep learning\, demons trating that realistic synthetic supervision enables robust and scalable h yperspectral fusion across both Earth observation and astrophysics.\n\n\nL ien visio : \nhttps://teams.microsoft.com/meet/327677672860408?p=LSxfktlW 4KrngrOBvs\nMeeting ID: 327 677 672 860 408\nPasscode: Lq9ZN9eP\n\nLieu : IAS\, bât. 121\, salle 123 CATEGORIES:Soutenances LOCATION:IAS\, Bât. 121 rue Jean Teillac\, Orsay\, 91400\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Bât. 121 rue Jean Teillac\ , Orsay\, 91400\, France;X-APPLE-RADIUS=100;X-TITLE=IAS:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20260329T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR