RECHERCHE

24 nov
24/nov/2017

RECHERCHE

Créer des images de terrain réalistes grâce aux réseaux neurones

L'équipe GeoMod du Laboratoire d'Informatique en Images et Systèmes d'Information (LIRIS - CNRS/INSA de Lyon/Université de Lyon/École Centrale de Lyon), en collaboration avec l'université de Purdue (USA) et Ubisoft, présentera à la conférence SIGGRAPH Asia 2017 (27-30/11/2017) une nouvelle méthode interactive pour concevoir et éditer des images de terrains.

Cette méthode s'appuie sur des résultats récents d'apprentissage profond pour synthétiser des terrains réalistes à partir de croquis simples et intuitifs et peut également simuler approximativement l'érosion de terrain en quelques millisecondes quand les algorithmes classiques de simulation prennent plusieurs minutes. 

Le processus de création d’image de terrain requiert le tracé de lignes et points caractéristiques (lignes de crête, rivières, marquages d’altitude…). À partir de ce tracé grossier et assez peu dense, il est normalement difficile d’inférer un terrain complet, réaliste et respectant les souhaits de l’auteur.

Pour résoudre ce problème, les chercheurs du LIRIS utilisent des méthodes d’apprentissage profond (deep learning) en apprenant la relation croquis-terrain souhaité à partir d’une base de données qu’ils ont eux-mêmes construite. Toute la difficulté consiste dans la construction de cette base de données. Pour ce faire, ils proposent d’extraire des lignes caractéristiques à partir de données cartographiques de terrains réels, en simulant les écoulements d’eau ou l’érosion des sols. Ainsi ils obtiennent un ensemble de couples croquis-terrain réel, sur lequel ils utilisent ensuite un réseau de neurone appelé conditional Generative Adversarial Network (cGAN) pour apprendre la relation entre les croquis et les terrains.

Un réseau cGAN est un type de réseau de neurones très utilisé composé de deux réseaux : un réseau génératif (G), qui va générer le terrain, et un réseau discriminant (D) qui essaye de détecter si un terrain est un vrai terrain ou un terrain synthétisé par G. Ainsi G est entraîné à tromper D et D est entraîné à détecter la fraude de G. Ce double entraînement permet de maximiser le réalisme du terrain finalement synthétisé.

Même si l’entraînement du réseau peut nécessiter plusieurs milliers d’exemples et quelques heures de calcul, une fois cet apprentissage réalisé, la synthèse de terrain à partir d’un croquis fourni par l’utilisateur ne dure que quelques millisecondes, ce qui rend cette nouvelle méthode utilisable dans une interface interactive.

Publication : LIRIS (Eric Guérin - Julie Digne - Eric Galin - Adrien Peytavie -  Christian Wolf), Department of Computer Science, Purdue University (Bedrich Benes) et Ubisoft (Benoît Martinez) . Interactive Example-Based Terrain Authoring with Conditional Generative Adversarial Networks. ACM Transactions on Graphics (Proceedings of Siggraph Asia 2017), ACM, 2017, 36, Article 228, Nov 2017, 13 pages. 

GeoMod
L'équipe GeoMod du LIRIS développe des algorithmes et des structures de données liés à la modélisation géométrique. Les principaux thèmes de recherche abordés sont : modélisation et reconstruction de formes 3D, génération et manipulation de maillages de qualité, évolution géométrique et topologique, modélisation de scènes naturelles complexes, simulation d'écosystèmes, aspect combinatoire de la compression pour la transmission et la visualisation interactive de maillages, calcul de descripteurs analytiques, prise en compte d'une information de mouvement et gestion de masses de données. Les travaux menés dans l'équipe sont effectués sur deux plateformes : Hybrid pour la modélisation de formes complexes, et Arches pour la représentation de scènes naturelles complexes.