Contextes locaux pour le traitement de surfaces – PAPS

Le projet PAPS a du développer des méthodes adhoc pour permettre de décrire les surfaces échantillonnées. Ceci est un défi pour plusieurs raisons:
- le type de données peut varier. En effet les surfaces échantillonnées peuvent comporter des zones qui à une certaine échelles peuvent être vus comme étant de dimension inférieures. Il faut donc pouvoir trouver des manières de décrire localement la forme qui s'adaptent à la dimension locale. Nous avons donc proposé une nouvelle définition de descripteur qui permette de s'adapter localement en se basant sur une optimisation de la position et de l'orientation locale de champs de déformation.
- il est important de pouvoir caractériser des similarités même si elles sont portées par des surfaces de courbures différentes. Nous avons donc pu développer des descripteurs robustes à un changement de courbure de la surface porteuse.
- d'un point de vue plus théorique nous avons analysé les propriétés différentielles locales des surfaces afin de pouvoir comprendre mieux la signification des différentes fréquences de chemins défini sur la surface autour d'un point.

Grâce aux descripteurs que nous avons définis, nous avons déjà pu obtenir des résultats très prometteurs à la fois dans le domaine de la super-résolution de surfaces (voir figure) que pour le débruitage et le rééchantillonnage.
La super-résolution peut maintenant s'affranchir totalement d'une étape de recalage couteuse et souvent peu robuste, et n'utiliser qu'un seul scan, ce qui découle du principe d'auto-similarité que nous avons pu mettre en évidence.
Nos méthodes de débruitage et de rééchantillonnage sont elles particulièrement efficaces pour traiter des données de dimensions hététogènes.

Nos perspectives sont multiples:
- nous sommes en train de valoriser nos premiers résultats à travers des publications (soumises ou en cours de finalisation).
- nous souhaitons parvenir à une définition probabiliste de la similarité des signaux que ce soit pour des images ou des surfaces.
- finalement nous allons poursuivre les applications de nos différents descripteurs, les confronter sur différents problèmes, ce qui va demander une meilleure définition des métriques de comparaison entre des descriptions locales.

Publications soumises:
*Sparse Geometric Representation Through Local Shape Probing ,
J. Digne, S. Valette et R. Chaine, soumis à IEEE TVCG 2016
*Super-resolution of Point Set Surfaces using Local Similarities , A. Hamdi-Chérif, Y. Béarzi, J. Digne, R. Chaine, soumis à Computer Graphics Forum 2016 (accepté sous réserve de révision)
*The Bilateral Filter for Point Clouds , J. Digne soumis à Image Processing OnLine (IPOL) 2016 (en cours de relecture)

Durant les dix dernières années, les systèmes d'acuisition de surfaces ont largement évolué, résultant d'une part en des instruments précis mais coûteux et d'autre part des instruments à bas coût mais imprécis. Cette évolution est similaire à l'évolution des appareils photos, dont ont dispose de modèles de plus en plus performantes en précision, et de modèles de moins en moins chers sur les téléphones mobiles et ordinateurs. Ainsi, il est nécessaire de pouvoir traiter ces données hétérogènes pour pouvoir générer des modèles tridimensionnels les plus précis possible avec des outils d'acquisition parfois moins précis. Nous proposons dans ce contexte la conception d'approches efficaces et pouvant traiter de grandes masses de données en exploitant une propriété intrinsèque à toutes les surfaces : leur auto-similarité. En effet, la plupart des surfaces, qu'elles proviennent du monde de l'art ou de la Conception Assistée par Ordinateur, exhibent une forte auto-similarité, venant de leur structure naturelle ou du processus de fabrication : régularité de l'outil de sculpture ou de la machine-outil.

Les approches existantes de reconstruction de surfaces à partir de nuages de points essaire généralement de reconstruire des surfaces lisses et sans bords. Nous avons montré récemment [Digne et al., 2011] que les données haute précision perdaient généralement leurs détails avec de telles approches. Si la taille des données augmente, les approches globales ne réussissent pas à reconstruire à la fois l'objet dans son ensemble et les détails locaux. La clé de notre projet est d'éviter de traiter les nuages de points dans leur ensemble, comme effectué dans la litérature. Nous proposons un traitement plus local, penant en compte les points et leur voisinage. L'analyse des surfaces à cette échelle plus fine permettra de réveller l'auto-similarité des surfaces, ce qui est le coeur de notre projet.

La première étape pour un traitement des nuages de points considérant l'auto-similarité sera d'établir des moyens de comparaison entre les variations locales de surfaces. Pour ce faire, nous décomposerons les surfaces en régions locales pour lesquelles des descripteurs seront proposés. Armés de tels descripteurs, nous aborderons les problèmes tels que le recalage haute précision, la super-résolution, la compression et la segmentation des surfaces. Un dernier outil développé sera un outil de navigation interactive pour explorer les surfaces représentées par des nuages de points.