Caméra 3D Camera par Depth from Defocus et Machine Learning

par Marcela Pinheiro De Carvalho

Projet de thèse en Traitement du signal et des images

Sous la direction de Frédéric Champagnat et de Andres Almansa.

Thèses en préparation à Paris Saclay , dans le cadre de Sciences et Technologies de l'Information et de la Communication , en partenariat avec ONERA - Traitement de l'information et systèmes (laboratoire) et de université Paris-Sud (établissement de préparation de la thèse) depuis le 01-10-2016 .


  • Résumé

    L'objectif de cette thèse est de développer des nouvelles approches d'apprentissage profond (ou deep learning) dans un contexte d'une caméra 3D monovoie passive utilisant le flou de défocalisation pour estimer la profondeur, approche désignée par le terme Depth from Defocus (DFD). Comme l'estimation de la profondeur se fait au prix d'une dégradation de la qualité des images à cause du flou de défocalisation, l'enjeu du DFD est de disposer de méthodes rapides et précises pour l'estimation de flou et la restauration des images. Les approches par apprentissage promettent des temps de calcul réduits et une robustesse importante vis-à-vis de la variabilité de la scène par rapport à l'état de l'art. Ces nouvelles approches seront validées expérimentalementsur des optiques classiques et non conventionnelles, dédiées au DFD. La thèse permettra de construire un système de vision 3D compact et rapide, utilisable par exemple dans la boucle de perception d'un robot, pour la surveillance et l'exploration de sites.

  • Titre traduit

    3D Depth from Defocus Camera and Machine leaning


  • Résumé

    The aim of this thesis is to develop new approaches of deep learning in a context of a passive monocular 3D camera using the defocus information to estimate depth. This approach is referred to as Depth from Defocus (DFD). As the depth estimation is done at the cost of a degradation of the quality of the images because of the defocusing blurring, another challenge considered to this project is to have fast and accurate methods for blur estimation and image restoration. The machine learning approaches promise reduced computational time and robustness important with regard to the variability of the scene in relation to the state of the art. This news approaches will be validated experimentally on conventional and non-conventional sensors (DFD). The thesis will build a 3D vision system compact and fast, usable for in the loop robot perception of a robot, monitoring and site exploration.