Contributions à la modélisation procédurale de structures cellulaires stochastoques 2D et à leur génération par l'exemple
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Baldi, Guillaume
Date de soutenance : 19-03-2024

Directeur(s) de thèse : Dischler, Jean-Michel

Président : Cani, Marie-Paule
Rapporteur(s) : Boubekeur, Tamy - Guérin, Éric
Membre(s) du jury : Allègre, Rémi

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Informatique graphique, Modélisation procédurale inverse, Synthèse de textures, Modèle différentiable, Réseaux de neurones, Descente de gradient
Mots-clés :
  • Infographie
  • Modélisation procédurale
Résumé : La création de matériaux et de textures procéduraux demande une grande expertise et constitue un travail long, fastidieux et coûteux, c’est pourquoi on cherche à développer des outils permettant leur génération automatique à partir d’exemples en entrée fournis sous la forme d’images : on parle de modélisation procédurale inverse.Dans cette thèse, nous proposons un modèle procédural appelé Cellular Point Process Texture Basis Function (C-PPTBF) permettant de représenter des structures cellulaires stochastiques 2D, impliquant des fonctions différentiables par rapport à la plupart de leurs paramètres, ce qui rend possible l’estimation de ces paramètres à partir d’exemples sans recourir entièrement à des réseaux de neurones profonds. Nous avons mis en place une chaîne de traitement permettant d’estimer les paramètres de notre modèle à partir d’exemples de structures fournis sous la forme d’images binaires, combinant une estimation réalisée à l’aide d’un réseau de neurones convolutif entraîné sur des images produites avec notre modèle de C-PPTBF et une phase d’estimation par descente de gradient directement sur les paramètres du modèle procédural.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2024STRAD001
Type de ressource : Thèse