Show simple item record

Représentations séparables de formes 3D pour le traitement de formes Separable

dc.contributor.advisorCohen, Laurent David
dc.contributor.authorGroscot, Raphaël
dc.date.accessioned2022-02-18T14:21:14Z
dc.date.available2022-02-18T14:21:14Z
dc.date.issued2021-06-29
dc.identifier.urihttps://basepub.dauphine.psl.eu/handle/123456789/22678
dc.description.abstractfrCette thèse explore la relation entre géométrie et sens dans les représentations de formes 3D, pour une génération contrôlable. Dans une première partie, nous concevons des réseaux de neurones, entraînés à démonter une forme en ses parties constitutives, et à réassembler des parties aléatoires en un seul objet. Ceci répond à l’ambiguïté inhérente à la recombinaison de formes par assemblage, entre fidélité des détails et cohésion d’ensemble. La deuxième partie présente un modèle déformable baptisé DVG. En épousant la surface d’un objet, il s’aligne avec ses lignes saillantes, et offre des points de contrôle pour des déformations faciles. Nous montrons, sur une variété de formes, comment ils résolvent des problèmes tels que l’exploration de données, la recherche par similarité, la synthèse par déformation, l’approximation de surface et les correspondances de formes. Enfin, nous exploitons une analogie entre DVG et espace latent des réseaux génératifs pour générer des morphings de formesfr
dc.language.isoen
dc.subjectSéparabilitéfr
dc.subjectSémantiquefr
dc.subjectRéseaux de neuronesfr
dc.subjectEncodeursfr
dc.subjectEspace latentfr
dc.subjectSeparabilityen
dc.subjectSemanticsen
dc.subjectNeural networksen
dc.subjectEncodersen
dc.subjectLatent spaceen
dc.subject.ddcFormes 3Den
dc.subject.ddc3D shapesen
dc.subject.ddc516
dc.titleSeparable 3D Shape Representations for Shape Processingen
dc.titleReprésentations séparables de formes 3D pour le traitement de formes Separablefr
dc.typeThèse
dc.contributor.editoruniversityotherUniversité Paris sciences et lettres
dc.description.abstractenThis thesis explores, for 3D shape representations, the relationship between geometry and meaning, for controllable shape generation. In a first part, we design and train neural networks to disassemble a shape into its constitutive parts,and to reassemble random parts into a single object. This adresses the inherent ambiguity of shape recombination by assembly, namely the tension between faithfulness of details and cohesiveness of the whole. The second part introduces a deformable template model, which we named DVG. When it smoothly embraces the surface of an object, it aligns with its salient lines, and gives control points for easy deformations. We show, on a large variety of shapes, how DVGscan be used to solve problems such as dataset exploration, similarity search, novel shape synthesis by deformation, surface approximation, and shape correspondences. Finally, we draw an analogy between DVGs and the latent space of generative networks, which we use to generate shape morphings.en
dc.identifier.theseid2021UPSLD018
dc.subject.ddclabelGéométrie
hal.author.functionaut


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record