Passage à l'échelle et évaluation de la reconstruction de surface à partir de nuage de points de scènes ouvertes

Scaling up and evaluating surface reconstruction from point clouds of open scenes

• Auteur / Autrice : Yanis Marchand
• Direction : Bruno Vallet
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 28/11/2022
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne) - Laboratoire en Sciences et technologies de l'information géographique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Pierre Grussenmeyer
• Jury : Examinateurs / Examinatrices : Bruno Vallet, Dro Désiré Sidibé, Cédric Demonceaux, Pooran Memari, Anne Verroust-Blondet, Laurent Caraffa
• Jury : Rapporteurs / Rapporteuses : Pierre Grussenmeyer, Dro Désiré Sidibé

Mots clés

Mots clés contrôlés

Lidar

Imagerie tridimensionnelle

Nuages de points

Vision par ordinateur

Mots clés libres

Reconstruction de surface

Vision par ordinateur

Informatique

Surface reconstruction

Computer Vision

Computer Science

Résumé

Cette thèse de doctorat traite de deux aspects de la reconstruction de surface à partir de nuage de points. Premièrement, elle aborde le cas large échelle où un nuage de points est trop volumineux pour être stocké dans la mémoire d'un seul ordinateur. Nous présentons un algorithme distribué de bout en bout permettant de traiter des nuages de points arbitrairement grands tout en garantissant l'étanchéité de la surface produite. Deuxièmement, cette thèse contribue à l'évaluation de la reconstruction de surface de par la définition de deux protocoles. Le premier nécessite des données synthétiques alors que le deuxième peut être mis en place en ayant uniquement recours à des données provenant de capteurs. Ces protocoles et les nouvelles métriques qui leur sont associées permettent de quantifier la qualité des reconstructions avec un biais moins important que les approches utilisées jusqu'alors

This PhD tackles two aspects of surface reconstruction from point clouds. Firstly, it addresses the case of large-scale point clouds that are too massive to fit into the memory of one single machine. We present an end-to-end distributed algorithm that can scale up to arbitrarily large point clouds whilst guaranteeing the watertightness of the resulting surface.Secondly, we deal with the assessment of surface reconstruction by proposing two evaluation protocols. The first one requires synthetic data whereas the second one can be set up with data directly obtained from a sensor. These protocols and their respective newly-defined metrics allow quantifying the quality of surface reconstructions with less bias than previous approaches