Apprentissage de mise en correspondance de surfaces non-rigides

Learning Non-rigid Surface Matching

• Auteur / Autrice : Aymen Merrouche
• Direction : Stefanie Wuhrer, Edmond Boyer
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le 01/11/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Institut National de Recherche en Informatique et en Automatique

Mots clés

Mots clés libres

Vision 3D

Capture de mouvements d'humains

Modélisation de formes 3D

Mise en correspondance de maillages 3D

Apprentissage profond

Maillage 3D

3D vision

Mesh matching

3D Shape modelling

Deep Learning

3D Mesh

Human performance capture

Résumé

Le sujet de ce doctorat porte sur la mise en correspondance de surfaces non structurées provenant de systèmes de capture de mouvements d'humains. Il s'agit d'améliorer les approches traditionnelles à l'aide de nouvelles techniques sophistiquées basées sur l'apprentissage. Les techniques basées sur l'apprentissage présentent un intérêt considérable pour l'analyse et la représentation des formes. La plupart des méthodes récentes reposent sur des modèles statistiques du corps humain, qui peuvent manquer de déformations réalistes des surfaces, en particulier des vêtements. L'objectif de ce projet de recherche est de permettre aux méthodes d'apprentissage profond de représenter efficacement les caractéristiques non-rigides, telles que les mouvements des vêtements et des cheveux, et de faciliter ainsi la mise en correspondance de contenus dynamiques et complexes provenant de systèmes de capture de mouvements d'humains.

The topic of this Ph.D. is on matching unstructured surfaces from human performance capture systems, improving on traditional approaches using novel sophisticated learning-based techniques. Learning-based techniques appear with considerable interest in shape analyses and representation. Although most recent methods rely on statistical body models, which can lack on realistic surface deformations, in particular on clothing deformations. The direction of this research is towards enabling deep learning methods to efficiently represent non-rigid features, such as loose clothing and hair motion, consequently, facilitating matching of complex dynamic performance capture content.