L’apprentissage profond est aujourd’hui devenu un outil central en observation de la Terre, permettant d’exploiter la quantité massive d’images satellites disponibles pour résoudre des tâches complexes comme la classification des cultures agricoles, la prédiction de feux de forêts ou la détection de glissements de terrain. Cependant, ces données sont aussi très hétérogènes: diversité des capteurs satellites, différences géographiques, variations saisonnières et conditions d’acquisition hétérogènes rendent les modèles difficiles à généraliser et à rendre robustes dans des conditions réelles. Dans ce contexte, les modèles génératifs ouvrent de nouvelles perspectives en observation de la Terre, notamment pour l’adaptation de domaine et la traduction entre modalités, afin de mieux gérer l’hétérogénéité des données satellitaires et d’améliorer la robustesse des modèles. Dans cette présentation, nous aborderons ces enjeux, et le Flow Matching, une formulation des modèles génératifs très établie dans la littérature, avant de présenter A²BM, une méthode de traduction d’images exploitant l’alignement entre observations afin d’améliorer la qualité des traductions.