Accueil du site > Vie de la recherche > Actualités scientifiques




Recherchez sur ce site


Créer des images de terrain réalistes grâce aux réseaux de 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 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 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 réside 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.

Le cGAN est un réseau de neurones très utilisé composé d’un réseau génératif (G), qui va générer le terrain, et d’un réseau discriminant (D) qui essaye de détecter si un terrain est réel ou 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 :
Eric Guérin [1], Julie Digne [1], Eric Galin [1], Adrien Peytavie [1], Christian Wolf [1], Bedrich Benes [2], Benoît Martinez [3]. 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


[1] Laboratoire d’Informatique en Images et Systèmes d’Information (LIRIS - CNRS/INSA de Lyon/Université de Lyon/École Centrale de Lyon)

[2] Department of Computer Science, Purdue University

[3] Ubisoft