MODÈLES GÉNÉRATIFS PROFONDS POUR LA CORRECTION SEMI-SUPERVISÉE D'ENVIRONNEMENTS RECONSTRUITS PA[...]

Université Clermont Auvergne; France; Sur place; EUR 25 000 - 30 000; Plein temps

Résumé du poste

Une institution d'enseignement supérieur recherche un candidat pour un contrat doctoral sur la reconstruction 3D d'environnements complexes. Ce projet implique la conception de méthodes d'apprentissage profond pour améliorer la précision des reconstructions à partir d'images. Les candidats doivent posséder des compétences en vision par ordinateur et en photogrammétrie. Le début de la thèse est prévu pour le 1er octobre 2026, et le travail se déroulera à Clermont-Ferrand, France.

Qualifications

• Connaissances en reconstruction 3D et photogrammétrie.
• Compétences en apprentissage profond et méthodes génératives.
• Capacité à travailler avec des jeux de données d'environnements complexes.

Responsabilités

• Développer des méthodes d'apprentissage profond pour améliorer la reconstruction 3D.
• Corriger les erreurs de reconstruction avec des a priori de formes.
• Contribuer à des projets de recherche en vision par ordinateur.

Description du poste

Offer Description

La reconstruction 3D d'un environnement complet à partir d'images est utile dans plusieurs applications incluant la réalité virtuelle [Lhuillier23]. Plusieurs méthodes de vision par ordinateur et de photogrammétrie sont nécessaires pour résoudre ce problème. Elles incluent l'estimation de la géométrie (paramètres de caméra et nuage de points) et la reconstruction de surface. Une voie prometteuse de recherche est la conception de méthodes d'apprentissage profond (AP) qui corrigent les erreurs de l'étape de reconstruction de surface avec des a priori de formes. Il faudrait aussi éviter l'apprentissage profond supervisé, qui nécessite un jeu de données composé d'environnements générés par un scanner 3D. Il y a plusieurs raisons à cela: le prix/la disponibilité/les conditions expérimentales d'utilisation du scanner et le temps/l'effort d'acquisition. Ici le jeu de données inclus de grands environnements reconstruits par une méthode précédante (qui est n'est pas AP), avec une minorité de corrections manuelles. Il peut aussi contenir des morceaux de surface, que l'on sait être très probable dans les environnements, et qui sont générés synthétiquement. Puis un réseau apprend à remplacer un morceau de surface incorrect ou improbable par un autre plus probable. Grâce à l'AP, on s'attend à améliorer des méthodes précédentes de reconstruction de surface (qui ne sont pas AP), par exemple quand les conditions expérimentales sont plus difficiles. Deux types de méthodes d'AP peuvent potentiellement faire cela. Les méthodes non génératives (ex: auto-encoder) calculent un seul résultat, c'est-à-dire une surface corrigée, et ont des inconvénients: l'incertitude du résultat est inconnue et l'utilisateur ne peut pas choisir le meilleur parmi plusieurs résultats. Les méthodes génératives (ex: auto-encoder variationnel [Kingma14], méthodes de diffusion [Ho20, Song19]) peuvent supprimer ces inconvénients car elles calculent plusieurs résultats.

Début de la thèse : 01/10/2026
WEB : https://maximelhuillier.fr

Funding category: Contrat doctoral

Concours pour un contrat doctoral