Julie Delon, lauréate de la médaille d’argent du CNRS pour ses travaux en traitement d’images et transport optimal
Comment débruiter une image prise de nuit ? Comment reconstruire un objet à partir de quelques projections de cet objet en 2 dimensions ?
Julie Delon utilise des modèles stochastiques et du transport optimal pour répondre à ces questions. Ces travaux l'ont conduite à plusieurs partenariats avec des entreprises.
Elle reçoit aujourd’hui la médaille d’argent 2024 du CNRS.
« Tout le monde utilise du traitement d’images. Quand on prend une photo avec son smartphone, il y a du traitement entre le moment où on clique sur le déclencheur et celui où la photo s’affiche. Et derrière cela, il y a plein de jolies mathématiques », apprécie Julie Delon, professeure des universités au laboratoire de Mathématiques Appliquées à Paris 5 - MAP5 (UMR CNRS 8145) à l’Université Paris Cité. Justement, le traitement d’images recouvre une partie de ses travaux de recherche. Un outil devenu central dans énormément de domaines, de la photographie à l’imagerie médicale ou satellitaire.
Il y a plusieurs manières de faire du traitement d’images, mais Julie Delon, elle, utilise majoritairement des modèles stochastiques. Autrement dit, des outils issus des mathématiques de l'aléatoire (probabilités, statistiques).
Ces travaux l’ont conduite à de nombreux partenariats avec des entreprises (comme GoPro et Technicolor - aujourd’hui Interdigital) et au dépôt de sept brevets, pour répondre à des problèmes de post-production ou de restauration d’images.
Depuis sa thèse, l’autre aspect qui intéresse la chercheuse est le transport optimal. Il s’agissait, au départ, de réussir à comparer deux images en niveaux de gris d’une même scène, notamment pour construire une carte en 3D. « Puis vers la fin de ma thèse je me suis demandé : comment faire avec des images en couleurs ? », se souvient-elle. Désormais, Julie Delon se sert du transport optimal pour de l’édition, de la reconstruction ou de la synthèse d’images, aussi bien que pour améliorer ou analyser certaines techniques de machine learning.
En plus de ses travaux, Julie Delon s’investit dans plusieurs missions au sein de sa communauté et de son université. Elle est élue au Conseil National des Universités en section 26, membre de la direction du Réseau Thématique MAthématiques de l’Imagerie, Apprentissage et GEométrie Stochastique (RT MAIAGE, CNRS 2179), éditrice associée du SIAM Journal on Imaging Sciences (SIIMS)...