Franck Vandewièle soutiendra sa thèse le mercredi 25 novembre 2026 à 14h30 en salle B014 du LISIC à Calais.
La thèse est dirigée par Samuel Delepoulle (LISIC/ULCO) et Christophe Renaud (LISIC/ULCO).
Titre :
Apprentissage par renforcement et échantillonnage géométrique pour le rendu photoréaliste
Résumé :
Les algorithmes de synthèse d’image basés sur la physique s’appuient sur des estimateurs non biaisés de type Monte-Carlo pour produire des rendus photoréalistes à partir de la simulation de chemins de transport de la lumière dans l’espace de la scène. La variance de ces estimateurs décroît lentement à mesure que davantage de chemins sont simulés, et les images produites peuvent présenter un bruit lorsque leur nombre est insuffisant, ce qui peut conduire, pour des scènes complexes, à des temps de calculs prohibitifs. Les travaux de Dahm et Keller, partant du constat que les algorithmes consacrent une part importante du budget temps au calcul de chemins ne transportant aucune énergie, ont identifié que le problème du rendu est isomorphe à un problème d’apprentissage par renforcement. Ils ont permis le développement de techniques de guidage de la construction des chemins par apprentissage en ligne de la distribution du champ de luminance, et reposent sur un échantillonnage préférentiel réduisant considérablement le nombre des chemins à contribution nulle. Cette thèse s’inscrit également dans une démarche de réduction de la variance. Nous menons une étude visant à quantifier la quantité de contributions nulles dans un path tracer. Nous évaluons les paramètres qui influent sur leur part et tâchons de comprendre pourquoi ils surviennent afin d’établir une référence à laquelle se comparer. À partir d’une implémentation des techniques de Dahm et Keller, nous explicitons les paramètres permettant d’obtenir leurs résultats et évaluons l’apport d’une approche s’appuyant sur les techniques d’apprentissage par renforcement pour guider la construction des chemins du transport de la lumière. Nous évaluons comment réutiliser un modèle pour calculer des images depuis différents points de vue d’une même scène. Par ailleurs, nous développons une technique de reconstruction du champ de luminance s’appuyant sur un échantillonnage issu d’un processus ponctuel de Poisson réalisé à la surface du pixel à calculer. Cette reconstruction tire profit de la mosaïque de Voronoï résultant du processus ponctuel ; un résultat mathématique nouveau garantit une variance de l’estimateur résultant inférieure à une estimation Monte-Carlo issue d’une distribution uniforme. Son implémentation dans une chaîne de traitement est évaluée expérimentalement.
Jury :
M. Samuel DELEPOULLE Maître de conférences Université du Littoral Côte d’Opale Directeur de thèse
M. Christophe RENAUD Professeur des universités Université du Littoral Côte d’Opale Co-directeur de thèse
M. Matteu SBERT Professeur émérite Université de Gérone Rapporteur
M. Daniel MENEVEAUX Professeur des universités Université de Poitiers Rapporteur
M. Nicolas CHENAVIER Professeur des universités Université du Littoral Côte d’Opale Examinateur
M. Philippe PREUX Professeur des universités Centre de Recherche INRIA Lille Examinateur
M. Rémi COZOT Professeur des universités Université du Littoral Côte d’Opale Invité
Mme Émilie POISSON-CAILLAULT Professeure des universités Université du Littoral Côte d’Opale Invitée
Keywords: reinforcement learning, importance sampling, computer graphics, physically based rendering, machine learning, random geometry