Descripteur
Termes IGN > sciences naturelles > physique > traitement d'image > reconstruction 3D > reconstruction d'objet
reconstruction d'objetSynonyme(s)reconstruction de surface |
Documents disponibles dans cette catégorie (50)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Titre : Learning surface reconstruction from point clouds in the wild Type de document : Thèse/HDR Auteurs : Raphaël Sulzer , Auteur ; Renaud Marlet, Directeur de thèse ; Bruno Vallet , Directeur de thèse ; Loïc Landrieu , Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2022 Importance : 139 p. Note générale : bibliographie
Thèse de doctorat de l'Université Gustave EiffelLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] apprentissage profond
[Termes IGN] données localisées 3D
[Termes IGN] reconstruction d'objet
[Termes IGN] réseau neuronal de graphes
[Termes IGN] scène 3D
[Termes IGN] scène urbaine
[Termes IGN] semis de points
[Termes IGN] triangulation de Delaunay
[Termes IGN] visibilitéIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les technologies d’acquisition 3D récentes permettent de représenter le monde sous la forme de nuages de points 3D. Cependant, ces nuages de points ne sont généralement pas suffisants pour modéliser des processus physiques complexes. Au contraire, de nombreuses applications en sciences et en ingénierie nécessitent une représentation sous la forme d’une surface continue. Dans cette thèse, nous considérons le problème de reconstruction de surface à partir de nuages de points par apprentissage profond supervisé. En particulier, nous nous intéressons à la reconstruction de surface à partir de nuages de points réels, c’est-à-dire générés à partir de mesures effectuées sur le terrain: soit directement avec des scanners 3D, soit indirectement par photogrammétrie. Ces nuages représentent souvent de grandes scènes contenant de multiples objets de formes diverses. Ces nuages peuvent aussi inclure des défauts tels que du bruit d’acquisition, des valeurs aberrantes, un échantillonnage non uniforme ou des données manquantes, ce qui complique la reconstruction d’une surface topologiquement et géométriquement précise. Après avoir été utilisé avec succès pour de nombreuses tâches de vision par ordinateur, l’apprentissage profond supervisé a récemment été appliqué au problème de reconstruction de surface. Cependant, les méthodes courantes souffrent encore de deux principales limitations. Tout d’abord, l’apprentissage profond supervisé nécessite souvent un grand nombre de données annotées. Les nuages de points réels décrivent des objets ou des scènes complexes, ce qui rend la collecte de surfaces réelles coûteuse, ambigüe ou mathématiquement difficile. Deuxièmement, les algorithmes d’apprentissage existants sont souvent trop gourmands en calcul et en mémoire pour traiter des millions de points simultanément. Nous abordons ces deux problèmes en introduisant de nouvelles méthodes d’apprentissage profond supervisé pour traiter des nuages de points à grande échelle avec des caractéristiques du monde réel tout en étant entrainées sur de petits ensembles de données synthétiques. Cette thèse comprend trois contributions principales. Tout d’abord, nous passons en revue et évaluons plusieurs méthodes de reconstruction de surface à partir de nuages de points. En plus des méthodes d’apprentissage, nous évaluons certaines des approches traditionnelles proposées au cours des trois dernières décennies. Pour rendre le problème tractable et produire des résultats géométriquement et topologiquement précis même dans des conditions difficiles, les méthodes sans apprentissage reposent souvent sur des hypothèses sur la structure des nuages de points en entrées ou des surfaces reconstruites. En revanche, les algorithmes de reconstruction de surfaces par apprentissage profond (DSR) apprennent ces hypothèses directement à partir d’un ensemble d’entrainement de nuages de points et des surfaces réelles leur correspondant. Nous évaluons les méthodes d’apprentissage et traditionnelles pour la tâche de reconstruction d’objets à partir de nuages de points avec défauts scannés synthétiquement. Nos résultats montrent que les méthodes DSR sont capables de reconstruire des surfaces précises et complètes à partir de nuages de points présentant un degré modéré de défauts atténués, à condition que ces défauts soient présents pendant l’entrainement. Cependant, la qualité de la reconstruction pour les nuages de points avec défauts non présents dans l’ensemble d’entrainement est souvent moins bonne que celle des méthodes sans apprentissage. Les méthodes sans apprentissage, en revanche, sont d’une grande robustesse aux défauts, même avec une paramétrisation constante pour différentes entrées. Un autre défaut de la plupart des méthodes DSR est le fait qu’elles ignorent la pose des capteurs et n’opèrent que sur la position des points. La visibilité des capteurs contient pourtant des informations importantes sur l’occupation de l’espace et l’orientation de la surface. Nous présentons deux façons simples d’enrichir les nuages de points avec des informations de visibilité, qui peuvent être directement exploitées par des réseaux de reconstruction de surface en ne nécessitant qu’une adaptation minimale. Nous montrons que les modifications proposées améliorent systématiquement la précision des surfaces générées ainsi que la capacité des réseaux à généraliser à des nouveaux domaines. Nous publions également les versions scannées synthétiquement de base de données de formes 3D largement utilisées, afin d’encourager le développement d’algorithmes DSR capables d’utiliser les informations de visibilité. Enfin, nous présentons une nouvelle méthode de reconstruction de surface basée sur l’apprentissage et tenant compte de la visibilité pour les nuages de points réels à grande échelle. Notre méthode repose sur une triangulation 3D de Delaunay (3DT) dont les cellules sont classées comme intérieur ou extérieur de la surface recherchée par un réseau de convolution sur graphe (GNN) et un modèle énergétique résolvable avec une coupe de graphe. Le GNN utilise à la fois des attributs géométriques locaux et des informations de visibilité pour apprendre un modèle de visibilité à partir d’une petite quantité de données de formes synthétiques tout en généralisant aux acquisitions réelles. Numéro de notice : 17753 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 28/03/2023 En ligne : https://hal.science/tel-03968622v2 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103164
Titre : Learning to represent and reconstruct 3D deformable objects Type de document : Thèse/HDR Auteurs : Jan Bednarik, Auteur ; Pascal Fua, Directeur de thèse ; M. Salzmann, Directeur de thèse Editeur : Lausanne : Ecole Polytechnique Fédérale de Lausanne EPFL Année de publication : 2022 Importance : 138 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse présentée pour l'obtention du grade de Docteur ès Sciences, Ecole Polytechnique Fédérale de LausanneLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] appariement de formes
[Termes IGN] apprentissage profond
[Termes IGN] cohérence temporelle
[Termes IGN] déformation de surface
[Termes IGN] distorsion d'image
[Termes IGN] géométrie de Riemann
[Termes IGN] image 3D
[Termes IGN] reconstruction d'objet
[Termes IGN] semis de points
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Representing and reconstructing 3D deformable shapes are two tightly linked problems that have long been studied within the computer vision field. Deformable shapes are truly ubiquitous in the real world, whether be it specific object classes such as humans, garments and animals or more abstract ones such as generic materials deforming under stress caused by an external force. Truly practical computer vision algorithms must be able to understand the shapes of objects in the observed scenes to unlock the wide spectrum of much sought after applications ranging from virtual try-on to automated surgeries. Automatic shape reconstruction, however, is known to be an ill-posed problem, especially in the common scenario of a single image input. Therefore, the modern approaches rely on deep learning paradigm which has proven to be extremely effective even for the severely under-constrained computer vision problems. We, too, exploit the success of data-driven approaches, however, we also show that generic deep learning models can greatly benefit from being combined with explicit knowledge originating in traditional computational geometry. We analyze the use of various 3D shape representations for deformable object reconstruction and we distinctly focus on one of them, the atlas-based representation, which turns out to be especially suitable for modeling deformable shapes and which we further improve and extend to yield higher quality reconstructions. The atlas-based representation models the surfaces as an ensemble of continuous functions and thus allows for arbitrary resolution and analytical surface analysis. We identify major shortcomings of the base formulation, namely the infamous phenomena of patch collapse, patch overlap and arbitrarily strong mapping distortions, and we propose novel regularizers based on analytically computed properties of the reconstructed surfaces. Our approach counteracts the aforementioned drawbacks while yielding higher reconstruction accuracy in terms of surface normals on the tasks of single view-reconstruction, shape completion and point cloud auto-encoding. We dive into the problematics of atlas-based shape representation even deeper and focus on another pressing design flaw, the global inconsistency among the individual mappings. While the inconsistency is not reflected in the traditional reconstruction accuracy quantitative metrics, it is detrimental to the visual quality of the reconstructed surfaces. Specifically, we design loss functions encouraging intercommunication among the individual mappings which pushes the resulting surface towards a C1 smooth function. Our experiments on the tasks of single-view reconstruction and point cloud auto-encoding reveal that our method significantly improves the visual quality when compared to the baselines. Furthermore, we adapt the atlas-based representation and the related training procedure so that it could model a full sequence of a deforming object in a temporally-consistent way. In other words, the goal is to produce such reconstruction where each surface point always represents the same semantic point on the target ground-truth surface. To achieve such behavior, we note that if each surface point deforms close-to-isometrically, its semantic location likely remains unchanged. Practically, we make use of the Riemannian metric which is computed analytically on the surfaces, and force it to remain point-wise constant throughout the sequence. Our experimental results reveal that our method yields state-of-the-art results on the task of unsupervised dense shape correspondence estimation, while also improving the visual reconstruction quality. Finally, we look into a particular problem of monocular texture-less deformable shape reconstruction, an instance of the Shape-from-Shading problem. We propose a multi-task learning approach which takes an RGB image of an unknown object as the input and jointly produces a normal map, a depth map and a mesh corresponding to the observed part of the surface. We show that forcing the model to produce multiple different 3D representations of the same objects results in higher reconstruction quality. To train the network, we acquire a large real-world annotated dataset of texture-less deforming objects and we release it for public use. Finally, we prove through experiments that our approach outperforms a previous optimization based method on the single-view-reconstruction task. Note de contenu : 1- Introduction
2- Related work
3- Atlas-based representation for deformable shape reconstruction
4- Shape reconstruction by learning differentiable surface representations
5- Better patch stitching for parametric surface reconstruction
6- Temporally-consistent surface reconstruction using metrically-consistent atlases
7- Learning to reconstruct texture-less deformable surfaces from a single view
8- ConclusionNuméro de notice : 15761 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse étrangère Note de thèse : Thèse de Doctorat : Sciences : Lausanne, EPFL : 2022 DOI : 10.5075/epfl-thesis-7974 En ligne : https://doi.org/10.5075/epfl-thesis-7974 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100958
Titre : Multi-layer modeling of dense vegetation from aerial LiDAR scans Type de document : Article/Communication Auteurs : Ekaterina Kalinicheva , Auteur ; Loïc Landrieu , Auteur ; Clément Mallet , Auteur ; Nesrine Chehata , Auteur Editeur : Computer vision foundation CVF Année de publication : 2022 Projets : 1-Pas de projet / Conférence : EarthVision 2022, Large Scale Computer Vision for Remote Sensing Imagery, workshop joint to CVPR 2022 19/06/2022 24/06/2022 New Orleans Louisiane - Etats-Unis OA Proceedings Importance : pp 1341 - 1350 Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] canopée
[Termes IGN] carte d'occupation du sol
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] étage de végétation
[Termes IGN] foresterie
[Termes IGN] maillage
[Termes IGN] parcelle forestière
[Termes IGN] reconstruction d'objet
[Termes IGN] segmentation d'image
[Termes IGN] semis de pointsRésumé : (auteur) The analysis of the multi-layer structure of wild forests is an important challenge of automated large-scale forestry. While modern aerial LiDARs offer geometric information across all vegetation layers, most datasets and methods focus only on the segmentation and reconstruction of the top of canopy. We release WildForest3D, which consists of 29 study plots and over 2000 individual trees across 47 000m2 with dense 3D annotation, along with occupancy and height maps for 3 vegetation layers: ground vegetation, understory, and overstory. We propose a 3D deep net- work architecture predicting for the first time both 3D point- wise labels and high-resolution layer occupancy rasters simultaneously. This allows us to produce a precise estimation of the thickness of each vegetation layer as well as the corresponding watertight meshes, therefore meeting most forestry purposes. Both the dataset and the model are released in open access: https://github.com/ ekalinicheva/multi_layer_vegetation. Numéro de notice : C2022-007 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers CVF Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPRW56347.2022.00140 Date de publication en ligne : 25/04/2022 En ligne : https://arxiv.org/abs/2204.11620 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100509
Titre : Reconnaissance de bâtiments à partir de nuages de points 3D Type de document : Thèse/HDR Auteurs : Justine Basselin, Auteur ; Dmitry Sokolov, Directeur de thèse ; Nicolas Ray, Directeur de thèse ; Hervé Barthélémy, Directeur de thèse Editeur : Nancy, Metz : Université de Lorraine Année de publication : 2022 Importance : 155 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse pour obtenir le grade de Docteur de l'Université de Lorraine, Spécialité InformatiqueLangues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] maquette numérique
[Termes IGN] reconnaissance de surface
[Termes IGN] reconstruction 3D du bâti
[Termes IGN] semis de points
[Termes IGN] télémétrie laser aéroportéIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) La numérisation d'objets réels est de plus en plus utilisée dans des domaines tels que l'urbanisme, l'architecture, la gestion des catastrophes et la sécurité intérieure. Des outils d'acquisition tels que les scanners aériens de détection et de télémétrie par la lumière (LiDAR) permettent de produire des représentations numériques de villes entières sous la forme de nuages de points 3D échantillonnant les surfaces des objets dans l'environnement. Malgré le haut degré de maturité atteint par les techniques de numérisation, les solutions informatiques efficaces pour le prétraitement et la reconstruction à partir de ces mesures sont rares et mal adaptées à la complexité de l'environnement. Aujourd'hui, le processus de création d'un modèle numérique à partir de ces données est long, fastidieux et essentiellement manuel. Dans ce processus de rétroconception, l'opérateur humain dessine manuellement les éléments du modèle 3D au plus près du nuage de points. Bien que des efforts importants aient été déployés pour développer des méthodes automatiques et semi-automatiques, qui apparaissent actuellement sur le marché, aucune solution proposée jusqu'à présent ne répond à toutes les exigences industrielles en termes de précision, d'exactitude et d'efficacité. En effet, la reconstruction de modèles de bâtiments en 3D est une tâche complexe qui nécessite un flux de travail composé de plusieurs étapes de traitement telles que la classification, l'extraction de contours, la segmentation, la reconnaissance de caractéristiques, la génération et la vérification d'hypothèses, la modélisation et la construction géométriques, l'ajustement et le raffinement. De plus, les modèles reconstruits doivent respecter un certain nombre de contraintes structurelles (planéité des segments de toit, arêtes de toit horizontales, symétrie, etc. Malgré les connaissances acquises, il existe encore un nombre important de problèmes non résolus provenant de : lacunes dans les données (dues à des occlusions ou à des réflexions et absorptions indésirables) ; bruit et valeurs aberrantes ; résolution limitée et densité de points variable ; grande variabilité et complexité des formes de bâtiments dans les zones urbaines, pour n'en nommer que quelques-uns. Dans ce travail, nous abordons le problème particulier de la construction (création) de modèles de toit 3D polygonaux à partir de données ponctuelles LIDAR préalablement classées. Note de contenu :
Introduction
1 Maquette numérique urbaine
1.1 Qu’est-ce qu’une maquette numérique urbaine ?
1.2 Niveau de détail
2. Numérisation par acquisition LiDAR aéroporté
2.1 Les principes de base de la télémétrie laser
2.2 Précision de mesure
3. Du nuage de points au maillage : formulation du problème
3.1 Hypothèses pour la reconstruction
3.2 Applications visées par l’entreprise
4. Littérature de la reconstruction de bâtiment
4.1 Portée de l’étude
4.2 Approche basée sur les données
4.3 Approche basée sur les modèles
5. Objectifs
Partie I - Reconstruction de modèle numérique urbain
Chapitre 1 - Reconstruction de toitures par approche basée sur les données
1.1 Contributions
1.2 Résultats
1.3 Analyse et résultats
1.4 Conclusion
Chapitre 2 - Ajustement de surface à des nuages de points
2.1 Fondements et état de l’art
2.2 Contributions
2.3 Résultats
2.4 Conclusion
Partie II - Accélération et transfert industriel
Chapitre 3- Diagramme de puissance restreint - GPU
3.1 Motivations
3.2 Fondements et état de l’art
3.3 Contributions
3.4 Expériences de simulations
3.5 Discussion
3.6 Conclusion
Chapitre 4 - Accélération de la méthode d’ajustement d’une surface à un nuage de points
4.1 Pourquoi ne pas utiliser la version GPU ?
4.2 Approche proposée
4.3 Comparaison des algorithmes d’appariement
4.4 Conclusion
Chapitre 5 - Transfert industriel
5.1 Manipulation rapide des nuages de points
5.2 Le plugin RhinoPointCloud
5.3 Résultats et limites
5.4 Conclusion
Conclusion généraleNuméro de notice : 26962 Affiliation des auteurs : non IGN Thématique : IMAGERIE/URBANISME Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Lorraine : 2022 Organisme de stage : Laboratoire Lorrain de Recherche en Informatique et ses Applications nature-HAL : Thèse DOI : sans Date de publication en ligne : 06/01/2023 En ligne : https://hal.science/tel-03927067v1/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102582 Scaling up and evaluating surface reconstruction from point clouds of open scenes / Yanis Marchand (2022)
Titre : Scaling up and evaluating surface reconstruction from point clouds of open scenes Titre original : Passage à l'échelle et évaluation de la reconstruction de surface à partir de nuage de points de scènes ouvertes Type de document : Thèse/HDR Auteurs : Yanis Marchand , Auteur ; Bruno Vallet , Directeur de thèse ; Laurent Caraffa , Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2022 Note générale : bibliographie
Thèse de doctorat de l’Université Gustave Eiffel, Ecole doctorale n° 532, Math ́ematiques et Sciences et Technologies de l’Information et de la Communication (MSTIC), Spécialité de doctorat : Informatique - Unité de recherche : LASTIG (IGN)Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] informatique
[Termes IGN] reconstruction d'objet
[Termes IGN] scène 3D
[Termes IGN] semis de points
[Termes IGN] traitement réparti
[Termes IGN] vision par ordinateurIndex. décimale : THESE Thèses et HDR Résumé : (auteur) 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. Numéro de notice : 17739 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse : Informatique : Gustave Eiffel : 2022 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://tel.hal.science/tel-04031734 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102877 Efficient occluded road extraction from high-resolution remote sensing imagery / Dejun Feng in Remote sensing, vol 13 n° 24 (December-2 2021)PermalinkAutomatic extraction of indoor spatial information from floor plan image: A patch-based deep learning methodology application on large-scale complex buildings / Hyunjung Kim in ISPRS International journal of geo-information, vol 10 n° 12 (December 2021)PermalinkVGI3D: an interactive and low-cost solution for 3D building modelling from street-level VGI images / Chaoquan Zhang in Journal of Geovisualization and Spatial Analysis, vol 5 n° 2 (December 2021)PermalinkPose estimation and 3D reconstruction of vehicles from stereo-images using a subcategory-aware shape prior / Maximilian Alexander Coenen in ISPRS Journal of photogrammetry and remote sensing, Vol 181 (November 2021)PermalinkScalable surface reconstruction with Delaunay-Graph neural networks / Raphaël Sulzer in Computer graphics forum, vol 40 n° 5 (2021)PermalinkStructure-aware indoor scene reconstruction via two levels of abstraction / Hao Fang in ISPRS Journal of photogrammetry and remote sensing, vol 178 (August 2021)PermalinkLayout graph model for semantic façade reconstruction using laser point clouds / Hongchao Fan in Geo-spatial Information Science, vol 24 n° 3 (July 2021)PermalinkResearch on 3D model reconstruction based on a sequence of cross-sectional images / Zhiguo Dong in Machine Vision and Applications, vol 32 n°4 (July 2021)PermalinkVectorized indoor surface reconstruction from 3D point cloud with multistep 2D optimization / Jiali Han in ISPRS Journal of photogrammetry and remote sensing, vol 177 (July 2021)PermalinkIntegration of laser scanner and photogrammetry for heritage BIM enhancement / Yahya Alshawabkeh in ISPRS International journal of geo-information, vol 10 n° 5 (May 2021)Permalink