Cet article propose une méthode d'apprentissage supervisé pour la régularisation de problèmes inverses à grande échelle, utilisant des opérateurs primaires composés de données bruitées. Cette approche est pertinente pour l'imagerie à super-résolution utilisant des métriques d'échantillonnage en théorie de la diffusion inverse. Cette étude vise à accélérer le processus de régularisation spatio-temporelle pour ce type de problème inverse afin de permettre l'imagerie en temps réel. La méthode proposée utilise des opérateurs neuronaux pour associer chaque motif du côté droit de l'équation de diffusion à un paramètre de régularisation correspondant. Le réseau est entraîné en deux étapes : (1) l'entraînement avec une carte de régularisation basse résolution fournie par le principe de discorde de Morozov utilisant un seuil non optimal ; et (2) l'optimisation des prédictions du réseau en minimisant une fonction de perte de Tikhonov conditionnée à une perte de validation. La deuxième étape permet d'ajuster la carte d'approximation de la première étape pour une génération d'images de haute qualité. Cette méthode permet un apprentissage direct à partir de données de test et ne nécessite pas de connaissance préalable de la carte de régularisation optimale. Le réseau entraîné sur des données basse résolution génère rapidement une carte de régularisation dense pour l'imagerie haute résolution. Cet article souligne l'importance de la fonction de perte d'apprentissage sur les performances de généralisation du réseau. Nous démontrons notamment que les réseaux informés par la logique du principe de disparité produisent des images à contraste plus élevé. Dans ce cas, le processus d'apprentissage implique une optimisation multi-objectifs. Nous proposons une nouvelle méthode qui sélectionne de manière adaptative les poids de perte appropriés pendant l'apprentissage, sans optimisation supplémentaire. La méthode proposée est validée synthétiquement pour l'imagerie de l'évolution des dommages des plaques élastiques. Les résultats démontrent que le réseau de normalisation informé par la disparité accélère non seulement le processus d'imagerie, mais améliore également significativement la qualité de l'image dans des environnements complexes.
