Développement d'un processus de génération automatique de vêtements numériques pour toute posture et son évolution dynamique.

developping an automatic generation process of digital garments for any posture and its dynamic evolution.

• Auteur / Autrice : Yassine Sarsari
• Direction : Xianyi Zeng, Xuyuan Tao
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et des images
• Date : Inscription en doctorat le 01/04/2025
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : GEMTEX - Laboratoire de Génie et Matériaux Textiles

Mots clés

Mots clés libres

Intelligence artificielle

Modélisation 3D de vêtements

Sémantique des textiles

Simulation dynamique

Génération de données multimodales

Vision par ordinateur

Artificial Intelligence

3D Garment Modeling

Garment Semantics

Dynamic Simulation

Multimodal Data Generation

Computer Vision

Résumé

Cette thèse vise à exploiter les relations entre la représentation numérique 3D d'un vêtement, sa structure géométrique, ses paramètres techniques et ses annotations sémantiques afin de développer un processus automatique de génération de vêtements numériques pour toute posture et son évolution dynamique (avec et sans essayage sur des corps humains). Les modèles d'apprentissage profond dépendent fortement des jeux de données. Bien que plusieurs bases de données existent pour la modélisation statique et dynamique des vêtements, elles sont souvent limitées aux vêtements sous leur forme canonique ou déjà portés. Ce projet propose de nouvelles bases de données intégrant des vêtements 4D (3D + temps) et des vidéos 2D du monde réel. L'approche consistera à générer des vêtements numériques 3D correspondant à leurs prototypes réels à l'aide de logiciels de simulation 3D (Style3D, Clo3D, Modaris 3D Fit), puis à affiner leurs paramètres techniques via un processus itératif combinant démonstration 3D, évaluation sensorielle et ajustement basé sur la connaissance experte des vêtements. De plus, des méthodes d'apprentissage profond seront développées pour faciliter l'annotation sémantique et améliorer la cohérence entre les modèles numériques et les vidéos réelles. Ce travail contribuera à réduire l'écart entre les données numériques et les vidéos du monde réel, permettant ainsi une modélisation plus réaliste des vêtements, intégrant des éléments clés tels que les cols, poignets, boutons et poches, essentiels pour l'annotation sémantique dans un contexte réel.

This PhD research aims to explore the relationships between the 3D digital representation of garments, their geometric structures, technical parameters, and annotated semantics in order to develop an automatic generation process of digital garments for any posture and its dynamic evolution (with and without fitting on human bodies). Deep learning models are highly dependent on datasets, and while several databases exist for static and dynamic garment modeling, most are limited to canonical garment forms or garments draped on human bodies. This project proposes to develop new datasets, combining 4D (3D + time) digital garments with real-world 2D video datasets. The approach involves generating 3D digital garments corresponding to their real prototypes using advanced 3D simulation software (Style3D, Clo3D, Modaris 3D Fit) and refining their technical parameters through an iterative process of 3D garment demonstration, perceptual evaluation, and expert knowledge-based parameter adjustment. Additionally, deep learning methods will be developed to facilitate semantic annotation and improve the consistency between digital models and real-world videos. This research will bridge the gap between digital datasets and real-world garment videos, leading to more realistic garment modeling that includes crucial elements such as collars, cuffs, buttons, and pockets—essential for semantic annotation in real-world applications.