Génération de forme 3D en utilisant une architecture encoder-encoder

Abstract

De nos jours, la modélisation 3D est devenu l’un des domaines les plus régnant, allant des applications médicales essentielles aux domaines de divertissement comme les jeux vidéo et les effets visuels pour le cinéma. Cependant, la création manuelle de modèles 3D complexes est une tâche fastidieuse et chronophage, nécessitant des compétences et une expertise considérable en matière de logiciels de modélisation 3D. L'objectif de ce projet est de développer une approche innovante permettant de générer automatiquement des modèles 3D à partir d'une simple description textuelle. Cette méthode vise à faciliter et à accélérer le processus de modélisation 3D, en offrant aux utilisateurs la possibilité de créer des formes 3D complexes en fournissant simplement une description textuelle de l'objet souhaité. Grâce à des techniques d'intelligence artificielle, de traitement automatique du langage naturel (NLP) et d'apprentissage automatique, notre système analyse les descriptions textuelles fournies et génère des modèles 3D correspondants. Pour réaliser cela, nous devons passer par deux méthodes principales. La première utilise un réseau générateur conditionnel (CGAN) avec du bruit pour générer les modèles à partir de deux datasets : ShapeNet, basé sur les meubles et les chaises, et Primitives, contenant des formes simples telles que les cubes. La seconde méthode repose sur des modèles de diffusion appliqués à ces mêmes datasets. Mots clé: Modélisation 3D, description textuelle, intelligence artificielle, traitement automatique du langage naturel(NLP), CGAN.ShapeNet.