Super-résolution d'image unique et interpolation de données LiDAR pour la reconstruction d'environnements urbains 3D

Single-Image Super-Resolution and LiDAR Data Interpolation for the Reconstruction of 3D Urban Environments

• Auteur / Autrice : Alexandros Margaris
• Direction : Djamchid Ghazanfarpour-kholendjany, Nikolaos Vasilas
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Limoges en cotutelle avec University of West Attica
• Ecole(s) doctorale(s) : École doctorale Sciences et Ingénierie (Limoges ; 2022-)
• Partenaire(s) de recherche : Laboratoire : XLIM
• Partenaire(s) de recherche : Equipe de recherche : XLIM MATHIS - Mathématiques & Sécurité de l'information

Mots clés

Mots clés libres

Apprentissage Profond

Super-Résolution d'Image Unique

Réseau Générateur Adversarial

Environnements Urbains en 3D

Deep Learning

Single-Image Super-Resolution

Generative Adversarial Network

3D Urban Environments

Résumé

L'apprentissage automatique présente de nombreux défis complexes, parmi lesquels la Super-Résolution d'Image Unique (SISR) est une entreprise particulièrement exigeante. Cette poursuite se concentre sur l'amplification d'une image de basse résolution pour générer un homologue de haute résolution qui représente fidèlement le sujet d'origine. L'introduction de données LiDAR est souvent utilisée dans les images ortho-canoniques ou satellitaires, entraînant souvent une disparité entre la qualité de l'image et les informations LiDAR, ce qui suscite le besoin de méthodes d'interpolation de données innovantes. Les méthodes SISR avec interpolation de données LiDAR visent à produire des images améliorées et des sorties LiDAR en utilisant des méthodes d'apprentissage profond. La fidélité accrue de l'image résultante constitue une ressource pour la création d'un environnement 3D avec un degré de précision.

Machine Learning presents numerous intricate challenges, among which is Single Image Super-Resolution (SISR) is a particularly demanding endeavor. This pursuit focuses on amplifying a low-resolution image to generate a high-resolution counterpart that faithfully represents the original subject. Introducing LiDAR data is often used in ortho-canonical or satellite pictures, often leading to a disparity between image quality and the LiDAR information, instigating the need for innovative data interpolation methods. SISR methodologies with LiDAR data interpolation to produce enhanced image and LiDAR outputs using Deep Learning methods. The elevated fidelity of the resultant image presents a resource for generating a 3D environment with a degree of precision.