Améliorer la reconstruction 3D avec les méthodes de RanSaC adaptatives et une génération de données semi-artificielle
Auteur / Autrice : | Clément Riu |
Direction : | Vincent Nozick, Pascal Monasse |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 12/12/2023 |
Etablissement(s) : | Université Gustave Eiffel |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) |
Jury : | Président / Présidente : Valérie Gouet-Brunet |
Examinateurs / Examinatrices : Vincent Nozick, Pascal Monasse, Lionel Moisan, Tomas Pajdla, Agnès Desolneux | |
Rapporteurs / Rapporteuses : Lionel Moisan, Tomas Pajdla |
Mots clés
Résumé
La recherche sur les estimateurs robustes pour la reconstruction stéréo 3D est compliquée par la difficulté d’obtention de données précises pour évaluer les méthodes. La littérature sur ce sujet propose un certain nombre d’algorithmes de type RanSaC qui sont comparés les uns aux autres en utilisant soit des données entièrement artificielles, soit des données réelles estimées ce qui conduit à des conclusions peu fiables. Les travaux récents se concentrent sur les méthodes qui n’utilisent pas de seuils définis par l’utilisateur. Pour comparer efficacement ces nouveaux algorithmes, nous proposons une nouvelle méthode d’analyse. Notre première contribution est une méthode de génération de données qui s’appuie sur des données réelles pour obtenir un modèle et une distribution réalistes des données afin de créer des benchmark fiables. Nous avons ensuite utilisé cette méthode pour comparer les algorithmes adaptatifs les plus récentes sur une variété de problèmes de reconstruction stéréo et obtenir un aperçu des capacités de chaque algorithme. Sur la base de cette analyse, nous avons essayé d’améliorer ColMap en utilisant des méthodes adaptatives. Enfin, nous fournissons la base de code complète utilisée pour générer les benchmarks, avec toutes les méthodes testées dans un framework unifié. Cela inclut une implémentation d’un algorithme utilisant le Test de Rapport de Vraisemblance qui n’avait pas été mise à disposition par les auteurs originaux