Deep Learning Methods To Improve 3D Gaussian Splatting Training H/F - 95

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

- La conscience des responsabilités
- La coopération
- La curiositéRejoignez-nous en Stage !

CEA Tech Corporate from CEA Tech on Vimeo.
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.
Le sujet du Novel View Synthesis a connu ces dernières années des avancées remarquables grâce à l'apparition des Neural Radiance Field puis des 3D Gaussian Splatting. Notre laboratoire a ainsi développé un outil de visualisation et d'interaction en Réalité Virtuelle sur les plateformes Unity3D et UnrealEngine basé sur cette dernière approche qui a rencontré un grand succès (https://www.youtube.com/watch?v=aZizVJ0TG4U).
Il existe toujours des problèmes de reconstruction dans certaines parties des images, notamment dues aux réflexions (surfaces brillantes, miroirs) et aux zones uniformes (murs lisses, sols unis). Ces environnements difficiles peuvent entraîner des artefacts ou des zones floues, dégradant la qualité visuelle du rendu final. Des techniques comme la segmentation, l'inpainting multi-vues et les modèles de diffusion multi-vues montrent un fort potentiel pour isoler et traiter ces problèmes. Ils pourraient nous permettre d'améliorer ou recréer ces zones mal reconstruites.
Le sujet de ce stage consistera donc à explorer de telles techniques, évaluer leur efficacité et développer un prototype capable de détecter les zones à améliorer et appliquer les modèles adéquats de manière optimale.