Note ABES Recalage de nuages de points multiples par apprentissage profond : application à la microscopie de localisation de molécule unique Multiple point clouds registration with deep learning : Application to single molecule localization microscopy Nuages de points Recalage rigide Optimisation globale robuste Apprentissage profond Microscopie de localisation de molécules uniques Point cloud Rigid registration Robust global optimization Deep learning Single Molecule Localization Microscopy 621.36 Nuages de points Apprentissage profond Microscopie SMLM Les nuages de points sont devenus une représentation clé en vision par ordinateur et en microscopie computationnelle, permettant de modéliser efficacement des structures 3D complexes. Un problème central est le recalage rigide, qui vise à estimer rotation et translation pour aligner plusieurs nuages. Cette étape est cruciale pour la reconstruction 3D, la fusion multimodale et l’analyse quantitative, mais devient difficile en présence de bruit, d’occlusions ou de structures parasites. Cette thèse s’intéresse au recalage de nuages fortement dégradés, avec un focus sur la microscopie SMLM. Après une revisite des fondements mathématiques et algorithmiques, deux contributions sont proposées : une optimisation globale par multistart, simple et efficace, et une approche générative pour le recalage simultané multivues sans correspondances explicites. Le manuscrit offre également une synthèse structurée du domaine. Point clouds have become a key representation in computer vision and computational microscopy, enabling flexible modeling of complex 3D structures. A fundamental task is rigid registration: estimating the rotation and translation that align multiple point clouds. This step underlies 3D reconstruction, multimodal fusion, and quantitative analysis, yet remains difficult when data are sparse, noisy, or contaminated with outliers. This thesis focuses on the rigid registration of highly degraded point clouds, with emphasis on Single Molecule Localization Microscopy (SMLM). After revisiting the mathematical and algorithmic foundations, two contributions are proposed: a simple yet effective multistart global optimization strategy based on principled exploration of rigid motions, and a generative framework for joint multiview registration without explicit correspondences. The manuscript also provides a structured overview of the field. Electronic Thesis or Dissertation Text en PDF 49271421 https://publication-theses.unistra.fr/public/theses_doctorat/2025/VEDRENNE_Luc_2025_ED269.pdf http://www.theses.fr/2025STRAD054/abes https://theses.hal.science/tel-05513315 https://theses.hal.science/tel-05513315 https://theses.hal.science/tel-05513315 Vedrenne Luc 1996-09-04 FR 27157769X 1507022806T 22127268 4200046 https://theses.fr/2025STRAD054 2025STRAD054 https://doi.org/10.70675/f0e9d5e7z6a16z46d5zacdbza3252b258f45 2025-11-12 Signal, Image, Automatique et Robotique Strasbourg 131056549 Doctorat Docteur es non oui Faisan Sylvain MADS_DIRECTEUR_DE_THESE_1 6100 087589982 Dobigeon Nicolas MADS_PRESIDENT_DU_JURY 121022595 Fortun Denis MADS_MEMBRE_DU_JURY_1 184004799 Mellado Nicolas MADS_MEMBRE_DU_JURY_2 166732664 Digne Julie MADS_RAPPORTEUR_1 149333919 Demonceaux Cédric MADS_RAPPORTEUR_2 093832575 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:620 Faisan Sylvain Dobigeon Nicolas Fortun Denis Mellado Nicolas Digne Julie Demonceaux Cédric École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 49271421