Textures, Rendu et Visualisation

Personnel

Permanents – 2,25 ETPR : Rémi Allègre (MC), Jean-Michel Dischler (PR), Jonathan Sarton (MC), Basile Sauvage (MC HDR), Sylvain Thery (IR) Ingénieur : Sylvain Thery (IR) Doctorants : Romain Fournier (2022-2025), Erwan Duhamel (2021-2024), Guillaume Baldi (2020-2023), Charline Grenier (2020-2023)

Objectifs

Une partie des activités de ce thème portera sur la génération procédurale de textures. Les textures sont des images qui encodent le comportement lumineux (couleur, brillance, etc.), et que l’on appose à la surface des objets 3D dans une scène virtuelle. Elles servent ensuite à faire le « rendu » de la scène, c’est- à-dire calculer les images de synthèse. La génération procédurale consiste à élaborer des processus de calcul à faible coût de stockage, calculables en parallèle (sur cartes graphiques), et de manière multi- échelle (en temps constant, quelle que soit l’échelle d'observation). Ces travaux sont à la confluence de la modélisation en informatique graphique, de la simulation (du transport lumineux), et du traitement du signal.

1. Un axe de recherche concernera le rendu de matériaux complexes (i.e scintillants, ou iridescents). Dans ce cadre nous continuerons de collaborer avec le Karlsruhe Institüt für Technologie.

2. Un autre axe s’intéressera à l’interaction entre l’apparence et la forme des objets. En particulier la génération de texture directement sur la surface des objets 3D sera l’occasion de collaborer en interne à l’équipe IGG, avec les collègues spécialistes de la géométrie.

3. Un troisième axe concerne la résolution de problèmes inverses à partir de nos méthodes de génération procédurale, c’est-à-dire l’estimation des paramètres des processus de calcul à partir d’images en entrée. Il s’agit pour cela de monter en compétences dans le domaine de l’IA (apprentissage automatique), tout en poursuivant la collaboration initiée avec les collègues de l’équipe Sciences des Données et Connaissances.

4. Enfin, nous souhaitons poursuivre et développer les activités liées à l’augmentation de données pour l’entraînement de modèles d’apprentissage profond pour l’imagerie médicale, en particulier pour l’imagerie histopathologique, où la capacité à générer des images artificielles ressemblant à des images réelles de tissus biologiques est un enjeu crucial. Ces activités déjà initiées seront poursuivies avec l’équipe Sciences des Données et Connaissances.

De plus, de nouvelles activités autour de la visualisation scientifique, en particulier dans des environnements de calcul haute performance, viendront renforcer ce thème. Ici, nous renforceront les collaborations déjà existantes (dans le cadre de l'ANR Lum-Vis) avec le laboratoire de mathématiques IRMA, pour la visualisation de maillages non-structurés issus de simulation numériques à grande échelle. Il s'agit d'aborder les aspects de la visualisation in-situ ou encore du rendu volumique de maillages complexes (topologie, géométrie, multi-variés, variant dans le temps, non-linéaire) et de grande dimension.