Canada Spends Logo

Explorez notre analyse du budget 2026

Grant: Discovery Grants Program - Individual

Université Laval

$11,200.00

Reconstruction de surface et modélisation 3D : exploration des représentations implicites

EF 2021-22

Résumé
Les objectifs sont : 1-d'étudier comment, à partir de nuages de points, les représentations implicites peuvent être exploitées pour mener à une reconstruction 3D fidèle à la géométrie et qui optimise l'espace mémoire, 2-d'étudier comment des descripteurs robustes basés sur ces représentations implicites peuvent être définis, 3-d'appliquer ces représentations et ces descripteurs à des problèmes concrets de vision 3D, 4-de former du PHQ et 5-de disséminer les résultats. Comme premier volet de recherche, nous proposons d'étudier une décomposition hiérarchique d'un nuage de points en octree efficace en termes d'occupation de mémoire, et fidèle à la géométrie en déterminant de manière optimale la profondeur de l'octree. Dans des travaux antérieurs, nous avons proposé une représentation implicite des données 3D appelée "champ vectoriel" (CV). Le CV est formé d'une grille de voxels dont les centres forment un treillis régulier dans l'espace. L'hypothèse fondamentale pour la construction des CV est que la surface à l'intérieur d'un voxel est un plan. Les informations stockées dans chaque voxel sont : la matrice de covariance Cov des points du voxel et la distance d entre le point sur la surface le plus près du centre du voxel selon le vecteur normal. Pour les signaux 1D, le théorème d'échantillonnage dicte la finesse à laquelle un signal doit être échantillonné pour le représenter sans recouvrement spectral. Un tel théorème n'existe pas pour une surface dans l'espace 3D. Ceci dit, la géométrie différentielle montre que le signes des courbures moyenne et gaussienne, exprimées en fonction des coefficients des première et deuxième formes fondamentales, déterminent le type de la surface en un point. Il existe aussi un lien entre ces courbures et la covariance au point. La variation de surface (VS) en un point est définie comme le rapport entre la plus petite valeur propre de Cov et la somme des valeurs propres. Le vecteur normal à la surface est le vecteur propre associé à cette valeur propre. Une propriété de la VS est que sa valeur est bornée dans l'intervalle [0,0.33] (0 : plan, 0.33 : distribution uniforme dans l'espace). Nous proposons d'exploiter cette propriété de la VS comme critère d'arrêt pour générer une représentation optimale d'un nuage de points en octree, le champ vectoriel multiéchelles (CVM), qui soit fidèle à la géométrie de la surface, prend en compte implicitement le bruit, et qui limite l'occupation d'espace mémoire. Le second volet propose d'explorer la construction de descripteurs pour la mise en registre et la reconnaissance d'objets qui sont des tâches importantes en métrologie. Dans la présente proposition, l'accent sera mis sur la recherche de descripteurs basés sur la normale à la surface et la distance entre voisinages car ceux basés sur les points sont sensibles à la densité non uniforme des données. Le cadre conceptuel du CVM développé dans le volet 1 sera mis à profit pour la construction des descripteurs.
Programme
Discovery Grants Program - Individual
Bénéficiaire
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data

Tel que publié

Application id
RGPIN-2021-02553
Name nom
Laurendeau, Denis
Department département
Génie électrique et génie informatique - Génie électrique et génie informatique
Organization id
51
Institution établissement
Université Laval
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2021
Competition year année de concours
2021
Award amount
11200
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
1507
Committee name en
Computer Science
Committee name fr
Sciences informatiques
Area of application code
802
Area of application group en
Information and communication services
Area of application group fr
Services d'information et de télécommunications
Area of application en
Information systems and technology
Area of application fr
Systèmes d'information et technologie de l'information
Research subject code
2800
Research subject group en
Artificial intelligence
Research subject group fr
Intelligence artificielle
Research subject en
Artificial intelligence (computer vision, use2603)
Research subject fr
Intelligence artificielle (vision artificielle, utiliser 2603)
Installment
inst:1
Partie
1
Nb partie
5
Application title
Reconstruction de surface et modélisation 3D : exploration des représentations implicites
Keyword
NSERC
Application summary
Les objectifs sont : 1-d'étudier comment, à partir de nuages de points, les représentations implicites peuvent être exploitées pour mener à une reconstruction 3D fidèle à la géométrie et qui optimise l'espace mémoire, 2-d'étudier comment des descripteurs robustes basés sur ces représentations implicites peuvent être définis, 3-d'appliquer ces représentations et ces descripteurs à des problèmes concrets de vision 3D, 4-de former du PHQ et 5-de disséminer les résultats. Comme premier volet de recherche, nous proposons d'étudier une décomposition hiérarchique d'un nuage de points en octree efficace en termes d'occupation de mémoire, et fidèle à la géométrie en déterminant de manière optimale la profondeur de l'octree. Dans des travaux antérieurs, nous avons proposé une représentation implicite des données 3D appelée "champ vectoriel" (CV). Le CV est formé d'une grille de voxels dont les centres forment un treillis régulier dans l'espace. L'hypothèse fondamentale pour la construction des CV est que la surface à l'intérieur d'un voxel est un plan. Les informations stockées dans chaque voxel sont : la matrice de covariance Cov des points du voxel et la distance d entre le point sur la surface le plus près du centre du voxel selon le vecteur normal. Pour les signaux 1D, le théorème d'échantillonnage dicte la finesse à laquelle un signal doit être échantillonné pour le représenter sans recouvrement spectral. Un tel théorème n'existe pas pour une surface dans l'espace 3D. Ceci dit, la géométrie différentielle montre que le signes des courbures moyenne et gaussienne, exprimées en fonction des coefficients des première et deuxième formes fondamentales, déterminent le type de la surface en un point. Il existe aussi un lien entre ces courbures et la covariance au point. La variation de surface (VS) en un point est définie comme le rapport entre la plus petite valeur propre de Cov et la somme des valeurs propres. Le vecteur normal à la surface est le vecteur propre associé à cette valeur propre. Une propriété de la VS est que sa valeur est bornée dans l'intervalle [0,0.33] (0 : plan, 0.33 : distribution uniforme dans l'espace). Nous proposons d'exploiter cette propriété de la VS comme critère d'arrêt pour générer une représentation optimale d'un nuage de points en octree, le champ vectoriel multiéchelles (CVM), qui soit fidèle à la géométrie de la surface, prend en compte implicitement le bruit, et qui limite l'occupation d'espace mémoire. Le second volet propose d'explorer la construction de descripteurs pour la mise en registre et la reconnaissance d'objets qui sont des tâches importantes en métrologie. Dans la présente proposition, l'accent sera mis sur la recherche de descripteurs basés sur la normale à la surface et la distance entre voisinages car ceux basés sur les points sont sensibles à la densité non uniforme des données. Le cadre conceptuel du CVM développé dans le volet 1 sera mis à profit pour la construction des descripteurs.