« Éclaboussure de gaussiennes » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| (4 versions intermédiaires par le même utilisateur non affichées) | |||
| Ligne 3 : | Ligne 3 : | ||
==Compléments== | ==Compléments== | ||
Cette technique, inventée vers la fin de 2023, s’apparente aux [[Champ de rayonnement neuronal|champs de rayonnement neuronaux]] ( | Cette technique, inventée vers la fin de 2023, s’apparente aux [[Champ de rayonnement neuronal|champs de rayonnement neuronaux]] (CRNe, en anglais, NeRF) qui fonctionnent en projetant des images 2D en 3D alors que les éclaboussures de gaussiennes font le processus inverse. | ||
En gros, on prend plusieurs photos d'un objet pour former un nuage 3D de points. Il en résulte que les points de la scène sont déjà bien positionnés dans l’espace. Puis à chaque point l’algorithme associe une goutte (splat) ou gaussienne 3D. Puis l’algorithme projette ces gouttes vers des images 2D et vérifie que la forme et la couleur correspondent aux vraies images. Le cas échéant, un algorithme d’apprentissage profond modifie itérativement les paramètres des gaussiennes pour correspondre aux images réelles. Le résultat final est un modèle 3D | En gros, on prend plusieurs photos d'un objet pour former un nuage 3D de points. Il en résulte que les points de la scène sont déjà bien positionnés dans l’espace. Puis à chaque point l’algorithme associe une goutte (splat) ou gaussienne 3D (la fameuse distribution de Gauss ou distribution normale en forme de cloche, mais en 3D). Puis l’algorithme projette ces gouttes vers des images 2D et vérifie que la forme et la couleur correspondent aux vraies images. Le cas échéant, un algorithme d’apprentissage profond modifie itérativement les paramètres des gaussiennes pour correspondre aux images réelles. Le résultat final est un modèle 3D réaliste. | ||
==Français== | ==Français== | ||
'''éclaboussure de gaussiennes''' | '''éclaboussure de gaussiennes''' | ||
'''projection de gaussiennes''' | |||
'''éclatement gaussien''' | '''éclatement gaussien''' | ||
'''projection de gouttes gaussiennes''' | '''projection de gouttes gaussiennes''' | ||
==Anglais== | ==Anglais== | ||
'''dynamic gaussian splatting''' | '''dynamic gaussian splatting''' | ||
'''gaussian splatting''' | |||
==Sources== | ==Sources== | ||
Dernière version du 17 décembre 2024 à 16:40
Définition
Technique d'infographie basée sur l’apprentissage profond pour créer des modèles 3D photoréalistes à partir de plusieurs images 2D.
Compléments
Cette technique, inventée vers la fin de 2023, s’apparente aux champs de rayonnement neuronaux (CRNe, en anglais, NeRF) qui fonctionnent en projetant des images 2D en 3D alors que les éclaboussures de gaussiennes font le processus inverse.
En gros, on prend plusieurs photos d'un objet pour former un nuage 3D de points. Il en résulte que les points de la scène sont déjà bien positionnés dans l’espace. Puis à chaque point l’algorithme associe une goutte (splat) ou gaussienne 3D (la fameuse distribution de Gauss ou distribution normale en forme de cloche, mais en 3D). Puis l’algorithme projette ces gouttes vers des images 2D et vérifie que la forme et la couleur correspondent aux vraies images. Le cas échéant, un algorithme d’apprentissage profond modifie itérativement les paramètres des gaussiennes pour correspondre aux images réelles. Le résultat final est un modèle 3D réaliste.
Français
éclaboussure de gaussiennes
projection de gaussiennes
éclatement gaussien
projection de gouttes gaussiennes
Anglais
dynamic gaussian splatting
gaussian splatting
Sources
Pixcap (2024), Guide de l'éclatement gaussien en 3D et de la création d'un éclatement gaussien
ELMTEC (sans date), Chaos V-Ray 7 pour SketchUp : le nouveautés
Contributeurs: Claude Coulombe, Patrick Drouin
