📄 Version "Simple" affichee, "Populaire" n est pas encore prete. Ajoutez-le aux favoris pour aider a la prioriser. Demander l’analyse complète

Si l'on photographie la même montagne avec un appareil argentique et un smartphone moderne, on obtient des images différentes : ici les couleurs sont plus vives, là les détails sont flous. Il en va de même pour les télescopes : chaque instrument voit le ciel à sa manière, ajoutant à la lumière réelle des galaxies ses propres distorsions — comme un filtre à travers lequel nous regardons.

Ce nouveau travail propose un moyen de supprimer ce « filtre ». Les scientifiques ont rassemblé des paires d'images des mêmes galaxies, prises par deux grands relevés du ciel : DESI Legacy Imaging Survey et Hyper Suprime-Cam. Le réseau de neurones a été entraîné ainsi : il reçoit deux images et doit reconstruire l'une à partir de l'autre, mais en tenant compte du fait que les caméras sont différentes. Au cours de l'apprentissage, le réseau trouve lui-même ce que les deux images ont en commun (c'est la galaxie réelle) et ce qui diffère (ce sont les distorsions propres à chaque télescope).

Au final, le réseau de neurones produit une représentation « propre » de la galaxie — sans bruit ni distorsions propres à l'instrument. Cela permet, par exemple, de rechercher des galaxies similaires dans les archives de différents télescopes sans craindre que leur ressemblance soit altérée par des caméras différentes. Cette approche n'est pas utile qu'en astronomie : elle fournit une recette générale pour apprendre à des réseaux de neurones sur des données provenant de différents instruments, des scanners médicaux aux capteurs automobiles.