Réseaux de Neurones Graph pour la reconstruction de surfaces 3D - Bruyères-le-Châtel, France - CEA Tech

Description

Description du poste

Domaine

Mathématiques, information scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Réseaux de Neurones Graph pour la reconstruction de surfaces 3D

Sujet de stage

Dans le cadre du programme Simulation du CEA DAM, nous avons le plus souvent à modéliser des géométries complexes 3D (moteurs, réacteurs, pièces mécaniques) à l'aide de logiciels de CAO représentant ces objets comme des ensembles de courbes et surfaces paramétriques. Nous rencontrons aujourd'hui un besoin nouveau où la géométrie complexe est définie par un nuage de points à partir duquel nous devons reconstruire des surfaces 3D discrétisées sous la forme d'un ensemble de triangles. Ce type de problème est usuel en informatique graphique où l'acquisition par scanner 3D d'objets réels peut générer de tels nuages. En ce qui nous concerne les nuages de points considérés sont potentiellement composés de millions de points et sont générés par l'exécution de codes de simulation et correspondent à une approximation d'interface entre matériaux en dynamique des fluides.

Durée du contrat (en mois)

Césure ou 6 mois

Description de l'offre

L'objectif du stage sera de proposer et développer une méthode permettant de générer de telles surfaces en utilisant les réseaux de Neurones Graph. La solution proposée s'inspirera de deux papiers scientifiques récents qui ont montré :
-la possibilité d'utiliser des méthodes d'apprentissage profond sur des données non structurées telles que les maillages surfaciques (grossièrement des graphes) [1];
-la supériorité de ces méthodes sur des méthodes classiques de reconstruction de surfaces [2].
Le travail du stage, fortement orienté Recherche, consistera dans un premier temps à comprendre ces différentes méthodes puis à les mettre en oeuvre, voir en proposer des modifications, dans le contexte des données spécifiques à notre problème. La solution obtenue devra être analysée sur différents aspects (performance, fidélité, temps de restitution) et si possible comparée à une approche plus classique de reconstruction de surfaces sans utilisation de l'apprentissage.

[1] W. Hamilton, R. Ying, J. Leskovec. Inductive representation learning on lagre graphs, in NeurIPS, .
[2] R. Sulzer, L. Landrieu, R. Marlet, B. Vallet. Scalable surface reconstruction with Delaunay-Graph Neural Networs. Computer Graphics Forum, .

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes en situation de handicap, cet emploi est ouvert à tous et toutes.

Profil du candidat

Apprentissage profond, C++, Python
Bac