Mélange de bruits et échantillonnage de posterior non log-concave

International audienceThis work considers a radio-astronomy inverse problem of physical parameters inference from multispectral images. The forward model is a numerical simulation, and the observation model mixes different sources of noise. This results in a non-explicit non-log-concave likelihood function. We introduce a likelihood approximation with controlled error that allow the conception of a Monte Carlo Markov Chain (MCMC) method. The obtained sampler provides credibility intervals along with point estimates. We believe that the proposed approach is sufficiently generic to be applied to similar inverse problems.Ce travail considère un problème inverse en astrophysique, qui consiste à estimer un ensemble de paramètres physiques à partir d'images multispectrales. Le modèle direct sous-jacent est une simulation numérique et le modèle d'observation mélange différentes sources de bruit. Ces caractéristiques donnent lieu à une fonction de log-vraisemblance non explicite et non concave. Nous en définissons une approximation qui permet de concevoir une méthode de Monte Carlo par chaîne de Markov (MCMC). L'échantillonneur obtenu fournit estimations ponctuelles et intervalles de crédibilité associés. L'approche proposée est suffisamment générale pour être appliquée à des problèmes inverses similaires