Programme de la conférence

La reconstruction 3D photométrique est un problème inverse qui consiste à estimer le relief d’une surface, à partir de photographies obtenues sous un éclairage actif. Cette présentation discutera des avancées récentes dans ce domaine fondées sur l'intelligence artificielle, et des applications pour la préservation d'oeuvres du patrimoine.

Les réseaux de neurones profonds avec un apprentissage fondé sur la physique reposent sur un jeu de données restreintes avec le potentiel d’un transfert d’une partie des calculs numériques en optique. Un premier dispositif de microscope holographique profond est proposé intégrant un réseau hybride pour des applications d’autofocalisation dynamique.

Un réseau de neurones convolutif a été développé pour reconstruire la forme de particules rugueuses de formes irrégulières à partir de leurs images interférométriques.

L'imagerie directe, technique majeure d'analyse des écoulements gaz-liquide, nécessite un traitement d'image efficace. Un nouvel algorithme, couplant modélisation stochastique et apprentissage profond, offre une solution pour retrouver les paramètres 3D des bulles, y compris dans des écoulements complexes où les approches traditionnelles échouent.

A partir du principe WRAI, la possibilité de réaliser une dilatation et une inversion temporelle des événements d’une scène a été étudiée en se basant sur l’indice de réfraction. En modulant cet indice, deux modes de variation et une phase de basculement ont été identifiés dévoilant dans la vision de l’observateur des zones temporelles insolites.