Les observateurs KKL (Kazantzis-Kravaris/Luenberger) reposent sur l'idée d'immerger un système non linéaire donné dans un système cible qui est un filtre linéaire stable de la sortie mesurée. Dans le travail, nous étendons cette théorie en permettant à ce système cible d'être un filtre non linéaire contractant de la sortie. Nous prouvons, sous une condition d'observabilité différentielle, l'existence de ces nouveaux observateurs KKL. Nous motivons leur introduction en montrant numériquement la possibilité de combiner vitesse de convergence et robustesse au bruit, contrairement à ce qui est connu pour le filtrage linéaire. Nous montrons enfin comment cela offre un regard nouveau sur les méthodes issues du machin learning.