Vers une reconstruction 3d dense à partir d’une simple reconstruction éparse.

Quel sera votre environnement ?
Vous êtes passionné(e) par l’intelligence artificielle, la vision par ordinateur et les défis technologiques de demain ? Notre équipe travaille sur des problématiques de vision par ordinateur parmi les plus innovantes du domaine pour résoudre des problématiques industrielles concrètes. Nous combinons expertise scientifique, créativité et esprit collaboratif pour repousser les limites de ce que les machines peuvent voir et comprendre. En nous rejoignant, vous contribuerez à des projets ambitieux, en lien direct avec la recherche de pointe et des applications concrètes à fort impact.


Quelle sera votre mission ?
1. État de l’art et exploration bibliographique : Comprendre les bases théoriques et les travaux récents.
• Étudier les méthodes classiques de reconstruction sparse (SfM, COLMAP, OpenMVG).
• Explorer les approches de densification 3D : MVS (Multi-View Stereo), Depth Map Fusion, NeRF, 3DGS,...
• Comparer les stratégies traditionnelles et basées sur le deep learning
2. Mise en œuvre de la châine de traitement 3D: Mettre en œuvre le pipeline initial de reconstruction sparse et dense.
• Générer une reconstruction sparse avec un outil comme COLMAP à partir d’un ensemble d’images calibrées (ou non).
• Intégrer ou adapter un outil de densification basé soit sur des méthodes géométriques, soit sur des réseaux de neurones.
• Implémenter un pipeline reproductible de bout en bout.
3. Exploration de méthodes denses avancées : Tester et améliorer des approches récentes de reconstruction dense.
• Intégrer des modèles de deep learning pré-entraînés pour l’estimation de profondeur ou la densification (MoGE, Vggt...)
• Indentification des différents paramètres influents sur la qualité de la reconstruction

4. Application de la meilleure approche sur une capture industrielle : Reconstruction dense d’une capture drone.
5. Synthèse des résultats et rédaction : Valoriser les travaux réalisés.
• Présentation claire des contributions : choix méthodologiques, résultats obtenus, limitations.
• Rédaction d’un rapport scientifique ou d’un article (type workshop/conférence).
• Préparation d’une soutenance (slides, démo éventuelle).

Quel profil ?
Étudiant(e) en dernière année d’école d’ingénieur, master 2 en informatique, intelligence artificielle, mathématiques appliquées ou vision par ordinateur.

> Les indispensables
Vision par ordinateur 3D : Reconstruction 3D (SfM, MVS), calcul de profondeur.
Apprentissage automatique / Deep Learning : Maîtrise des architectures ViT
Calcul Géométrique : manipulation de nuages de points et maillage.
Programmation & outils : Très bonne maîtrise de Python et des librairies de deep learning : PyTorch (obligatoire), torchvision, Open3D.
> Les plus
Capacité à lire et comprendre des articles de recherche récents.
Connaissance des méthodes récentes NeRF, 3DGS.

Quelles modalités ?
Possibilité de télétravail après une période d’intégration
Gratification : € (si niveau M2 ou 5ème année) + tickets restaurants + remboursement frais de transport
Salle de sport et cours coachés

Les prochaines étapes ?
2 entretiens :
# 1 entretien en visio avec l’encadrant
# 1 entretien final sur site avec l’encadrant