Ce texte étudie le groupe quantique Uξ sl(2|1) associé à la superalgèbre de Lie sl(2|1) et une catégorie de ses représentations de dimension finie. L'objectif est de construire des invariants topologiques de 3-variétés en utilisant la notion de trace modifiée. D'abord nous prouvons que la H catégorie CH des modules de poids nilpotents sur Uξ sl(2|1) est enrubannée et qu'il existe une trace modifiée sur son idéal des modules projectifs. De plus CH possède une structure relativement G-prémodulaire ce qui est une condition suffisante pour construire un invariant de 3-variétés à la Costantino-Geer-Patureau. Cet invariant est le cœur d'une 1+1+1-TQFT (Topological Quantum Field Theory). D'autre part Hennings a proposé à partir d'une algèbre de Hopf de dimension finie une construction d’invariants qui dispense de considérer la catégorie de H l l ses représentations. Nous montrons que le groupe quantique déroulé Uξ sl(2|1)/(e1 , f1 ) possède une complétion qui est une algèbre de Hopf enrubannée topologique. Nous construisons un invariant de 3-variétés à la Hennings en utilisant cette structure algébrique, une transformation de Fourier discrète et la notion de G-intégrales. L'intégrale dans une algèbre de Hopf est centrale dans la construction de Hennings. La notion de trace modifiée dans une catégorie s'est récemment révélée être une généralisation des intégrales dans les algèbres de Hopf de dimension finie. Dans un contexte plus général d'algèbre de Hopf de dimension infinie nous prouvons la relation formulée entre la trace modifiée et la G -intégrale. / This text studies the quantum group Uξ sl(2|1) associated with the Lie superalgebra sl(2|1) and a category of finite dimensional representations. The aim is to construct the topological invariants of 3-manifolds using the notion of modified trace. We first prove that the category CH of the nilpotent weight modules over Uξ sl(2|1) is ribbon and that there exists a modified trace on its ideal of projective modules. Furthermore, CH possesses a relative G-premodular structure which is a sufficient condition to construct an invariant of 3-manifolds of Costantino-Geer-Patureau type. This invariant is the heart of a 1+1+1-TQFT (Topological Quantum Field Theory). Next Hennings proposed from a finite dimensional Hopf algebra, a construction of invariants which does not require to consider the category of its representations. We show that the unrolled H l l quantum group Uξ sl(2|1)/(e1 , f1 ) has a completion which is a topological ribbon Hopf algebra. We construct an invariant of 3-manifolds of Hennings type using this algebraic structure, a discrete Fourier transform, and the notion of G-integrals. The integral in a Hopf algebra is central in the construction of Hennings. The notion of modified trace in a category has recently been revealed to be a generalization of the integrals in a finite dimensional Hopf algebra. In a more general context of infinite dimensional Hopf algebras we prove the relation formulated between the modified trace and the G-integral.

Les problèmes inverses en traitement d'images peuvent être résolus en utilisant des méthodes variationnelles classiques, des approches basées sur l'apprentissage profond, ou encore des stratégies bayésiennes. Bien que différentes, ces approches nécessitent toutes des algorithmes d'optimisation efficaces. L'opérateur proximal est un outil important pour la minimisation de fonctions non lisses. Dans cette thèse, nous illustrons la polyvalence des algorithmes proximaux en les introduisant dans chacune des trois méthodes de résolution susmentionnées.Tout d'abord, nous considérons une formulation variationnelle sous contraintes dont la fonction objectif est composite. Nous développons PIPA, un nouvel algorithme proximal de points intérieurs permettant de résoudre ce problème. Dans le but d'accélérer PIPA, nous y incluons une métrique variable. La convergence de PIPA est prouvée sous certaines conditions et nous montrons que cette méthode est plus rapide que des algorithmes de l'état de l'art au travers de deux exemples numériques en traitement d'images.Dans une deuxième partie, nous étudions iRestNet, une architecture neuronale obtenue en déroulant un algorithme proximal de points intérieurs. iRestNet nécessite l'expression de l'opérateur proximal de la barrière logarithmique et des dérivées premières de cet opérateur. Nous fournissons ces expressions pour trois types de contraintes. Nous montrons ensuite que sous certaines conditions, cette architecture est robuste à une perturbation sur son entrée. Enfin, iRestNet démontre de bonnes performances pratiques en restauration d'images par rapport à une approche variationnelle et à d'autres méthodes d'apprentissage profond.La dernière partie de cette thèse est consacrée à l'étude d'une méthode d'échantillonnage stochastique pour résoudre des problèmes inverses dans un cadre bayésien. Nous proposons une version accélérée de l'algorithme proximal de Langevin non ajusté, baptisée PP-ULA. Cet algorithme est incorporé à un échantillonneur de Gibbs hybride utilisé pour réaliser la déconvolution et la segmentation d'images ultrasonores. PP-ULA utilise le principe de majoration-minimisation afin de gérer les distributions non log-concaves. Comme le montrent nos expériences réalisées sur des données ultrasonores simulées et réelles, PP-ULA permet une importante réduction du temps d'exécution tout en produisant des résultats de déconvolution et de segmentation très satisfaisants. / Inverse problems in image processing can be solved by diverse techniques, such as classical variational methods, recent deep learning approaches, or Bayesian strategies. Although relying on different principles, these methods all require efficient optimization algorithms. The proximity operator appears as a crucial tool in many iterative solvers for nonsmooth optimization problems. In this thesis, we illustrate the versatility of proximal algorithms by incorporating them within each one of the aforementioned resolution methods.First, we consider a variational formulation including a set of constraints and a composite objective function. We present PIPA, a novel proximal interior point algorithm for solving the considered optimization problem. This algorithm includes variable metrics for acceleration purposes. We derive convergence guarantees for PIPA and show in numerical experiments that it compares favorably with state-of-the-art algorithms in two challenging image processing applications.In a second part, we investigate a neural network architecture called iRestNet, obtained by unfolding a proximal interior point algorithm over a fixed number of iterations. iRestNet requires the expression of the logarithmic barrier proximity operator and of its first derivatives, which we provide for three useful types of constraints. Then, we derive conditions under which this optimization-inspired architecture is robust to an input perturbation. We conduct several image deblurring experiments, in which iRestNet performs well with respect to a variational approach and to state-of-the-art deep learning methods.The last part of this thesis focuses on a stochastic sampling method for solving inverse problems in a Bayesian setting. We present an accelerated proximal unadjusted Langevin algorithm called PP-ULA. This scheme is incorporated into a hybrid Gibbs sampler used to perform joint deconvolution and segmentation of ultrasound images. PP-ULA employs the majorize-minimize principle to address non log-concave priors. As shown in numerical experiments, PP-ULA leads to a significant time reduction and to very satisfactory deconvolution and segmentation results on both simulated and real ultrasound data.