Le domaine a été bouleversé par l'apprentissage profond. Voici les approches qui structurent aujourd'hui la recherche et l'industrie.
Réseaux convolutifs
Les CNN ont transformé la détection d'objets, la segmentation et la classification en portant ces tâches à un niveau de précision inédit. Ils constituent désormais la couche de base de la plupart des chaînes de traitement visuel.
Réseaux génératifs adverses
Deux réseaux s'affrontent : l'un fabrique des images, l'autre tente de distinguer le synthétique du réel. Cette émulation produit des résultats photoréalistes remarquables et alimente le transfert de style, la super-résolution ou la retouche générative. Les modèles de diffusion leur disputent aujourd'hui le terrain de la génération d'images.
Reconstruction et débruitage
Des modèles apprennent à reconstituer les zones détériorées d'une image en comblant les données manquantes. Applications directes : restauration de documents anciens, amélioration de clichés nocturnes, correction d'artefacts de compression.
Imagerie hyperspectrale
Au lieu de trois canaux de couleur, on en capte des dizaines, sur de bandes spectrales très fines. Les algorithmes récents exploitent cette richesse pour identifier des matériaux ou détecter des anomalies invisibles à l'œil, avec des débouchés en agriculture, en géologie et en défense.
Reconstruction 3D et numérisation
Capteurs de profondeur, photogrammétrie et méthodes d'apprentissage permettent de reconstituer des modèles tridimensionnels fidèles à partir de photographies, ouvrant la voie à des usages en patrimoine, en inspection industrielle et en réalité virtuelle.
Imagerie médicale
En IRM, en tomodensitométrie ou en anatomopathologie numérique, ces techniques facilitent le repérage, le diagnostic et le suivi thérapeutique. Elles restent un appui au radiologue, non un substitut : la validation clinique demeure indispensable.