Direction de recherche : Matthieu CORD

Apprentissage Non Supervisé d’Espaces de Formes 3D pour la Modélisation 3D

Bien que le média 3D soit de plus en plus populaire, en particulier avec la démocratisation des expériences de réalité virtuelle et augmentée, il reste très difficile de manipuler une forme 3D, même pour des designers ou des experts. En effet, la création ou l’édition de contenu 3D demande des connaissances avancées en modélisation 3D. Malgré tout le travail existant en géométrie algorithmique et traitement de la 3D, les logiciels dédiés à la 3D ciblent toujours une audience professionnelle en raison de la complexité de la tâche de modélisation 3D. Suite aux récentes réussites en apprentissage automatique dans le domaine 2D, et en particulier à la percée de l’apprentissage profond, plusieurs travaux ont montré un certain succès pour adapter ces méthodes d’apprentissage dans le cadre de l’apprentissage 3D non supervisé. Ces techniques peuvent être exploitées pour développer des outils intelligents de modélisation et d’édition 3D, avec comme but final une interface simple d’utilisation à destination des utilisateurs novices. Cette thèse s’inscrit dans ce sujet de recherche, et a pour but d’apprendre des représentations 3D convaincantes, qui puissent être utilisées pour concevoir de nouveaux outils intelligents de modélisation 3D ou au sein de logiciels de CAO déjà existants. Essentiellement, partant d’une base de données d’instances 3D d’une ou ou plusieurs catégories d’objets, nous voulons apprendre la variété des formes plausibles, i.e. une représentation latente généralisant les données de la base d’apprentissage. Cependant, la variété des formes plausibles est souvent bien plus complexe comparée au domaine 2D. En effet, les surfaces 3D peuvent être représentées en utilisant plusieurs plongements distincts (voxels, champs de distances, nuages de points, maillages, arbres de structure, etc.), et peuvent aussi exhiber des alignements ou des topologies différentes. Par ailleurs, la variété elle-même peut être vue de différent points de vues pour révéler toute la diversité de la 3D, chacun menant à ses propres problématiques. Dans cette thèse, nous étudions la variété des formes plausibles à la lumières des défis évoqués précédemment, en approfondissant trois prémisses différentes. Dans le chapitre 3, nous considérons la variété comme un espace quotient, dans le but d’apprendre la géométrie intrinsèque des formes depuis une base de données où les modèles 3D ne sont pas coalignés. Dans le chapitre 4, nous supposons que la variété est non connexe, ce qui aboutit à un nouveau modèle d’apprentissage profond capable d’automatiquement partitionner et apprendre les formes selon leur typologie. Enfin, dans le chapitre 5 nous étudions la conversion d’une entrée 3D non structurée vers une géométrie exacte, représentée comme un arbre structuré de primitives solides continues. Lorsque cela est possible, nous incluons aussi des éclairages théoriques appuyés par des théorèmes formels, pour justifier autant que possible la rigueur scientifique de nos approches.

Publications 2018-2019

• 2019
  • E. Mehr : “Apprentissage Non Supervisé d’Espaces de Formes 3D pour la Modélisation 3D”, soutenance de thèse, soutenance 10/10/2019, direction de recherche Cord, Matthieu (2019)
• 2018
  • E. Mehr, A. Lieutier, F. Bermudez, V. Guitteny, N. Thome, M. Cord : “Manifold Learning in Quotient Spaces”, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, United States, pp. 9165-9174, (IEEE) (2018)