Thèse : "Contributions à la modélisation procédurale de structures cellulaires stochastiques 2D et à leur génération par l’exemple"

Soutenance de thèse : Guillaume Baldi

Équipe : IGG

Titre : "Contributions à la modélisation procédurale de structures cellulaires stochastiques 2D et à leur génération par l’exemple"

Résumé :

Cette thèse s’inscrit dans les travaux de l’équipe Informatique Géométrique et Graphique du laboratoire ICube portant sur la synthèse de textures par l’exemple, en particulier pour des applications dans l’industrie graphique. 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. Les méthodes récentes de l’état de l’art nécessitent de grandes collections de matériaux procéduraux conçus par des experts pour entraîner des réseaux de neurones profonds et se confrontent à la grande complexité combinatoire des graphes. Une autre approche consiste à développer des modèles procéduraux plus simples d’un point de vue combinatoire, et capables de couvrir une grande variété d’apparences tout en gardant un calcul en temps réel. Le problème concerne alors l’estimation des paramètres de ces modèles à partir d’exemples.

Dans cette thèse, nous proposons un modèle procédural de type Point Process Texture Basis Function (PPTBF) permettant de représenter des structures cellulaires stochastiques 2D, très répandues dans la nature, que nous appelons Cellular-PPTBF (C-PPTBF). L'originalité de notre modèle est d'impliquer 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. Notre chaîne de traitement combine 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. Notre approche est automatique, robuste, et moins dépendante du jeu de données d’entraînement que les méthodes précédentes. Elle permet d’obtenir des résultats visuellement proches même pour des exemples en entrée éloignés des données d'entraînement.

Jury :

• Rapporteur : M. BOUBEKEUR Tamy, Professeur des Universités, École Polytechnique, Directeur de Recherche à Adobe Research
• Rapporteur : M. GUÉRIN Éric, Maître de Conférences HDR, Institut National des Sciences Appliquées de Lyon
• Examinatrice : Mme CANI Marie-Paule, Professeure des Universités, École Polytechnique
• Examinateur : M. ALLÈGRE Rémi, Maître de Conférences, Université de Strasbourg