Ma recherche s'est principalement orientée vers du Rendu, c'est à dire de la synthèse d'image. Je travaille au laboratoire LIRIS, dans l'équipe R3am. Lors de mes expériences de recherche, j'ai eu l'occasion de travailler avec diverses personnes

Doctorat

Lorsque l’on affiche un objet 3D sur un écran d’ordinateur, on transforme cet objet en une image, c.a.d en un ensemble de pixels colorés. On appelle Rendu la discipline qui consiste à trouver la couleur à associer à ces pixels. Calculer la couleur d’un pixel revient à intégrer la quantité de lumière arrivant de toutes les directions que la surface renvoie dans la direction du plan image, le tout pondéré par une fonction binaire determinant si un point est visible ou non.

Malheureusement, l’ordinateur ne sait pas calculer des intégrales on a donc deux méthodes possibles :

  • Trouver une expression analytique qui permet de supprimer l’intégrale de l’équation (ap- proche basée statistique).
  • Approximer numériquement l’équation en tirant des échantillons aléatoires dans le do- maine d’intégration et en en déduisant la valeur de l’intégrale via des méthodes dites de Monte Carlo.

Nous nous sommes ici intéressés à l’intégration numérique et à la théorie de l’échantillonnage. L’échantillonnage est au coeur des problé- matiques d’intégration numérique. En informatique graphique, il est capital qu’un échantillonneur génère des points uniformément dans le domaine d’échantilonnage pour garantir que l’intégration ne sera pas biaisée. Il faut également que le groupe de points généré ne présente aucune régularité structurelle visible, au risque de voir apparaître des ar- tefacts dit d’aliassage dans l’image résultante. De plus, les groupes de points générés doivent minimiser la variance lors de l’intégration pour converger au plus vite vers le résultat. Il existe de nom- breux types d’échantillonneurs que nous classeront ici grossièrement en 2 grandes familles :

  • Les échantillonneurs bruit bleu, qui ont une faible la variance lors de l’intégration tout en générant de groupes de points non struc- turés. Le défaut de ces échantillonneurs est qu’ils sont extrêmement lents pour générer les points.
  • Les échantillonneurs basse discrépance, qui minimisent la variance lors de l’intégration, génèrent des points extrêmement vite, mais qui présentent une forte structure, générant énormément d’aliassage.

Notre premier projet a été la réalisation d'un échantillonneur qui soit à la fois bruit bleu et basse discrépance. Cet échantillonneur fonctionne en permutant indépendamment les coordonnées x et y d'un ensemble basse discrépance pour rapprocher son organisation spatiale d'une organisation cible, ici du bruit bleu stratifié. Ce travail a été publié à SIGGRAPH Asia 2016.

[GPC*16] Gafar, A., Perrier, H., Coeurjolly, D., Ostromoukhov, V., Guo, J., Yan, D., Huang, H., Deussen, O. Low Discrepancy Blue Noise Sampling. In ACM Transactions on Graphics (Proceedings of ACM SIGGRAPH Asia 2016).

La page web du projet

Slides de la présentation lors du GT Rendu du 16/02/2017 (in english)

Stage de Master Recherche

Le GPU est un composant extrêmement utile pour faire du parallélisme. Il reste encore limité car son architecture est fortement orientée vers le rendu d’objets 3D mais devient de plus en plus program- mable et peut exécuter des calculs à une vitesse bien supérieure à celle du CPU pour peu que l’on formule ces calculs de façon adaptée. C’est ce que nous avons fait pour calculer les valeurs de courbure sur la surface objet discret via la méthode des In- tégrales Invariantes. Cette méthode mesure en chaque point de la surface discrète le ratio entre le volume d’une sphere B de rayon R et le nombre de points digitaux de l’objet X qui inter- sectent cette sphere.

Le problème est que ce calcul est lent et que le rayon R choisi impacte beaucoup le résultat. Sur GPU, nous pouvons calculer la courbure de chaque point digital en parallèle. Cela nous permet de visualiser de d’explorer les valeurs de courbure en fonction de R en temps réel. Si nous souhaitons calculer la courbure exacte d’un objet complet, ce n’est toujours pas possible en temps réel mais le calcul requiert quelques secondes sur GPU au lieu de plusieurs minutes sur CPU.

[PCL*16] Perrier, H., Levallois, J., Coeurjolly, D., Farrugia, J.-P., Iehl, J.-C., Lachaud, J.-O., Interactive Curvature Tensor Visualization on Digital Surfaces. Discrete Geometry for Computer Imagery : 19th IAPR International Conference, DGCI 2016, Nantes, France, April 18-20, 2016.

Le dépot GIT du projet

top