Résumé:
Le transport optimal (TO) est devenu un outil mathématique fondamental à l'interface entre le calcul des
variations, les équations aux dérivées partielles et les probabilités. Il a cependant fallu beaucoup plus de temps
pour que cette notion soit utilisée dans les applications numériques. Cette situation est en grande partie due au
coût de calcul élevé de la résolution des problèmes d'optimisation sous-jacents. Dans cet exposé, je passerai
en revue une nouvelle classe d'approches numériques pour la résolution approximative de problèmes
d'optimisation basés sur du TO. Elles offrent une nouvelle perspective pour l'application du TO en imagerie
(pour effectuer du transfert de couleurs ou du morphing de formes et de textures) et l'apprentissage
automatique (pour la classification et l'apprentissage de modèles génératifs profonds). Plus d'informations sont
disponibles sur le site de notre livre "Computational Optimal Transport" https://optimaltransport.github.io/
